ارائه یک روش جدید انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی فاخته و ماشین بردار پشتیبان در سیستم های تشخیص نفوذ

امنیت شبکه یک نگرانی جدی جهانی است. سودمندی سیستم های تشخیص نفوذ در تحقیقات روی امنیت اطلاعات با استفاده ازتکنیکهای محاسبات نرم به سرعت در حال افزایش است , اما این سیستم ها با داده های حجیم برای تحلیل مواجه هستند. بررسیمجموعه داده سیستمهای تشخیص نفوذ نشان میدهد که بسیاری از ویژگیها، ویژگیهای غیرمفید، بی تاثیر در سناریوهای حمله و یا ویژگیهای نامربوط هستند . بنابراین حذف ویژگیهای نامناسب از مجموعه ویژگی، به عنوان یک راهکار مناسب برای کاهش مجموعهداده سیستمهای تشخیص نفوذ معرفی میشود . مساله انتخاب زیرمجموعه ویژگیها، به مفهوم شناسایی و انتخاب یک زیرمجموعه مفید از ویژگیها از میان مجموعه داده اولیه میباشد. هدف این مقاله، بهبود دقت دسته بندی، افزایش نرخ تشخیص درست و کاهش نرخ هشدار غلط در سیستم های تشخیص نفود، با استفاده از رویکرد ترکیبی الگوریتم بهینه سازی فاخته برای کاهش ابعاد ویژگیهای مجموعه های داده ای و ماشین بردار پشتیبان میباشد. مدل ترکیبی ارائه شده، با استفاده از زیر مجموعه ای از مجموعه داده های NSL-KDD CUP99 آزمایش شده است. نتایج پیاده سازی هم نشان می دهد که دقت دسته بندی زیرمجموعه های بدست آمده، نتایج مطلوبی را در مقایسه با مجموعه داده اصلی و کارهای گذشته ایجاد کرده است .