بهبود کارایی سیستم تشخیص نفوذ شبکه با استفاده از الگوریتم رقابت استعماری و شبکه عصبی پرسپترون چندلایه

امروزه با گسترش روزافزون شبکه های کامپیوتری و پیچیدگی حملات سایبری، سیستم های تشخیص نفوذ (NIDS) به یکی از ارکان اصلی امنیت شبکه تبدیل شده اند. با این حال، یکی از چالش های اساسی در این حوزه، مواجهه با مجموعه داده های حجیم با ویژگی های غیرضروری و نویزدار است که منجر به کاهش سرعت پردازش و دقت طبقه بندی در مدل های تشخیص نفوذ می شود. در این پژوهش، یک روش ترکیبی و کارآمد برای بهبود عملکرد سیستم های تشخیص نفوذ ارائه شده است. ایده اصلی این مقاله، به کارگیری یک روش هوشمند برای انتخاب ویژگی های تاثیرگذار پیش از اعمال الگوریتم های طبقه بندی است. بدین منظور، ما از الگوریتم رقابت استعماری (ICA) اصلاح شده بهره گرفته ایم تا زیرمجموعه ای از ویژگی های بهینه را از مجموعه داده استاندارد KDD CUP ۹۹ استخراج کنیم. ویژگی های منتخب سپس به عنوان ورودی به شبکه عصبی پرسپترون چندلایه (MLP) ارسال می شوند تا عملیات طبقه بندی حملات با دقت بالاتری صورت گیرد. نتایج آزمایش های ارزیابی نشان می دهد که روش پیشنهادی به دلیل کاهش ابعاد فضای ویژگی ها، توانسته است ضمن کاهش بار محاسباتی و زمان آموزش مدل، دقت تشخیص حملات را به طور چشم گیری افزایش دهد. مقایسه نتایج حاصل با سایر روش های موجود بیانگر برتری رویکرد پیشنهادی در مدیریت ویژگی های زائد و ارتقای کارایی سیستم در محیط های شبکه است. این مدل نه تنها یک راهکار عملی برای مقابله با چالش های کلان داده در امنیت شبکه ارائه می دهد، بلکه الگویی بهینه برای توسعه سیستم های تشخیص نفوذ سبک و دقیق فراهم می آورد.

کلیدواژه ها:

سیستم تشخیص نفوذ (NIDS) ، الگوریتم رقابت استعماری (ICA) ، شبکه عصبی پرسپترون چندلایه (MLP) ، انتخاب ویژگی ، امنیت شبکه ، مجموعه داده KDD CUP ۹۹