تشخیص نفوذ هوشمند با استفاده از شبکه عصبی مبتنی بر الگوریتم GMDH

با پیشرفت روزافزون فناوری اطلاعات و ارتباطات و گسترش چشم گیر استفاده از شبکه های کامپیوتری، حملات و نفوذهایی در اشکال مختلف به شبکه ها صورت میگیرد، از اینرو سیستم های تشخص نفوذ (IDS)، به عنوان یک جزء حیاتی در هر شبکه متصل به اینترنت در دنیای امروزی محسوب می شود. سیستم های تشخیص نفوذ جهت تأمین امنیت شبکه های به هم پیوسته، روش مؤثری برای شناسایی اشکال مختلف حملات نفوذی در شبکه ها به شمار می آیند. کارایی این سیستم ها وابسته به نرخ تشخیص نفوذی با دقت بالا و کمترین نرخ اعلان خطا است. شبکه های عصبی به عنوان یکی از روش های معمول در سیستم های تشخیص نفوذ مطرح هستند. یکی از مشکلاتی که شبکه های عصبی از آن رنج می برند، یافتن راه حل بهینه محلی و همچنین پیش داوری محقق در مورد ساختار مدل با توجه به فروض اولیه است، که به شبکه تحمیل می شود. از طرفی روش های تکاملی مانند الگوریتم ژنتیک، کاربرد وسیعی در مراحل مختلف طراحی شبکه های عصبی دارند. چنانکه دارای قابلیت های منحصربه فردی در یافتن مقادیر بهینه و امکان جست وجو در فضاهای غیر قابل پیش بینی هستند. به طوریکه استفاده از الگوریتم ژنتیک جهت طراحی شکل شبکه عصبی و تعیین ضرایب آن، از جمله نوآوری های این پژوهش به شمار می آید. هدف از پژوهش حاضر اینست تا ضمن مطالعه روش های تشخیص نفوذ و همچنین شبکه های عصبی، روشی کارآمد به منظور افزایش دقت و عملکرد سیستم با استفاده از شبکه عصبی GMDH که طراحی ساختار آن با استفاده از الگوریتم ژنتیک صورت گرفته، ارائه شود. آزمایش و ارزیابی مدل ارائه شده بر روی مجموعه داده های NSL-KDD با استفاده از نسخه اصلاح شده KDD-CUP99، انجام گردید. نتایج تجربی حاکی از آن است که مدل پیشنهادی عملکرد قابل توجهی در افزایش نرخ تشخیص حملات و کاهش نرخ اعلان خطا داشته و قادر به ارائه تشخیص های دقیق تری نسبت به مدل های پایه خود می باشد

کلیدواژه ها:

امنیت شبکه ، تشخیص نفوذ ، شبکه عصبی ، الگوریتم GMDH ، IDS