بررسی روش یادگیری جمعی AdaBoost در داده های نامتوازن جهت شناسایی حملات شبکه

سیستم های تشخیص نفوذ باید به طور کارا و با دقت بالا تهدیدها و حملات شبکه ای را تشخیص دهند. یادگیری ماشین مبتنی بر مدل های تشخیص نفوذ نهایت تلاش خود را جهت افزایش نرخ تشخیص به کار می برند. مشکل داده های نامتوازن اغلب در داده های مربوط به حملات شبکه رخ می دهد که می تواند موجب کاهش دقت سیستم های تشخیص نفوذ گردد. در این مقاله با توجه به اینکه مقدار خطای حاصل از اجماع مدل ها به دلیل هم پوشانی نسبت به حالت تکی کمتر خواهد بود، روش یادگیری جمعی AdaBoost مورد بررسی قرار گرفته است. با استفاده از مجموعه داده ای که از طریق طراحی دو هانی نت آزمایشگاهی مجازی در دو مکان متفاوت بدست آمده، طبقه بندهای مختلف را مورد ارزیابی قرار داده ایم و نتایج حاصل را تشریح نموده ایم.

کلیدواژه ها:

حملات شبکه ، یادگیری جمعی ، الگوریتم AdaBoost ، هانی نت