ارزیابی مجموعه الگوریتم های یادگیری ماشین جهت تشخیص نفوذ

محبوبیت استفاده از اینترنت منجر به برخی خطرات ناشی از حملات به شبکه گردیده است. تشخیص نفوذ یک مشکل عمده پژوهشی در امنیت شبکه با هدف شناسایی دسترسی های غیرمعمول و یا حملات به شبکه داخلی می باشد. سیستم های تشخیص نفوذ توسط تکنیک های مختلف به یادگیری ماشین نزدیک هستند. براساس تشخیص ناهنجاری سیستم تشخیص نفوذ، رفتار طبیعی و غیرطبیعی با تجزیه و تحلیل ترافیک شبکه در مجموعه داده های مختلف ارزیابی می شوند. چالش های مشترک برای سیستم تشخیص نفوذ، مقادیر زیادی از پردازش داده، نرخ تشخیص کم و نرخ بالای هشدار کاذب می باشند. در این مقاله به بررسی مطالعات مرتبط در دوره های 2011 تا 2016 با تمرکز توسعه واحد، ترکیب و طبقه بندی پرداخته شده است. مطالعات انجام شده توسط طراحی طبقه بندی مجموعه داده و دیگر تنظیمات تجربی مقایسه شده اند و دستاورد و محدودیت های فعلی در حال توسعه سیستم تشخیص نفوذ توسط یادگیری ماشین مورد بحث قرار گرفته اند و موضوعاتی جهت تحقیقات آینده نیز ارایه شده است.

کلیدواژه ها:

یادگیری ماشین ، سیستم تشخیص نفوذ ، مثبت کاذب ، ترافیک شبکه