فاطمه فرهمند - دانشجوی کارشناسی ارشددانشگاه آزاد اسلامی واحد علوم و تحقیقات بوشهر
سیدجواد میرعابدینی - استادیار دانشگاه آزاد اسلامی واحد تهران مرکز

با پیشرفت روزافزون فناوری اطلاعات و ارتباطات وگسترش چشمگیر استفاده ازشبکه های کامپیوتری حملات و نفوذهایی دراشکال مختلف به شبکه ها صورت میگیرد لذا سیستم های تشخیص نفوذ IDS به عنوان یک جز حیاتی درهرشبکه متصل به اینتر نت دردنیای امروزی محسوب میشود شبکه های عصبی به عنوان یکی ازروشهای معمول درسیستم های تشخیص نفوذمطرح هستند مشکل عمده زمان اموزش و عدم توجه به گستره ویژگیهانیاز به توسعه یا بهبود مدل را ایجاب می کند استفاده ازتکنیکهای انتخاب ویژگی درترکیب با شبکه عصبی به منظور ایجادمدل جدیدی برای افزایش سرعت کشف حمله و کاهش نرخ اع لان خطا و درنتیجه کارایی بالاتر ازویژگیهای روش پیشنهادی است دراین مقاله برای افزایش کراایی شبکه عصبی درتشخیص نفوذ ازالگوریتم ژنتیک به منظور انتخاب ویژگی بهره گرفته شد ازمایش و ارزیابی مدل ارایه شده برروی مجموعه داده های NSL-KDD که نسخه اصلاح شده KDD-CUP99 انجام گردید نتایج تجربی حاکی ازآن است که مدل پیشنهادی عملکرد قابل توجهی درافزایش دقت و بازخوانی تشخیص حملات و کاهش نرخ اعلان خطا داشته و قادر به ارایه تشخیصهای دقیق تری نسبت به مدلهای پایه خود می باشد

شبکه عصبی ، الگوریتم ژنتیک ، انتخاب ویژگی ، تشخیص نفوذ