تشخیص نفوذ در شبکه با داده های نامتوازن و یادگیری تخاصمی

سیستم تشخیص نفوذ یک سیستم نرم افزاری یا سخت افزاری است که برای شناسایی اقدامات مخرب در سیستم های کامپیوتری طراحی شده تا امنیت سیستم حفظ شود. در اکثر روش های یادگیری ماشین و یادگیری عمیق برای تشخیص حملات با دقت بالا نیاز به داشتن داده های متوازن می باشد زیرا در صورت عدم توازن داده ها سیستم های تشخیص دهنده دچار اشتباه می شوند. مثلا در تراکنش های بانکی نسبت تراکنش های اشتباه به تراکنش های سالم اندک است. روش های مختلفی برای متوازن سازی داده ها وجود دارد که در این مقاله از یادگیری تخاصمی، تکثیر داده، داده افزایی برای متوازن سازی داده ها استفاده شده است. نسبت عدم توازن اولیه ۲۰۰ به ۱ می باشد. شبکه عصبی یادگیری عمیق برای تشخیص نفوذ استفاده شده است. دیتاست مورد استفاده gafgyt BaloT می باشد. با توجه به نتایج روش یادگیری تخاصمی بهترین دقت را دارد. نمره F شبکه عصبی CNN با تکثیر داده ۴۸.۶۲، داده افزایی ۶۰.۰۵ و یادگیری تخاصمی ۹۹.۷۸% می باشد. تعداد بازی ها در GAN به تعداد ۸ بار می باشد و آموزش در ابتدا و انتهای بازی انجام شده است.

کلیدواژه ها:

تشخیص نفوذ ، داده افزایی ، تکثیر داده ، یادگیری تخاصمی ، شبکه عصبی کانولوشن