کشف ناهنجاری های شبکه با استفاده از یک SVM خطی

با پیشرفت علم و افزایش حجم ارتباطات، ضرورت دسترسی امن و به شبکه و اطلاعات پیش از پیش احساس می شود، شبکه بستر بسیار مناسبی است که در هنگام انتقال و یا ذخیره سازی داده ها در معرض حمله قرار گیرد و در زمان انتقال داده ها باعث شکل گیری ناهنجاری مختلف در بین داده ها می شود. از این رو تجزیه و تحلیل داده ها برای تشخیص داده های پرت و داده های مشکل دار بسیار پر اهمیت می باشد، از این رو محققان تمرکز بسیار زیادی را بر روی کشف نفوذ و تشخیص ناهنجاری در شبکه انجام داده اند، محبوب ترین روش ها استفاده از تکینک های داده کاوی جهت تشخیص داده های پرت است، در ادامه پژوهش ها پیرامون استفاده از روش های داده کاوی، روش های ترکیبی برای پوشش نقاط ضعف روش های دیگر توسعه داده شده اند.در پژوهش روبرو با استفاده از یک روش ترکیبی جهت رفع نقاط ضعف روش کشف ناهنجاری توسط الگوریتم ماشین بردار پشتیبان از یادگیری عمیق جهت بهبود انتخاب ویژگی ها استفاده می شود. داده های استفاده شده در این پژوهش داده های استاندارد KDD است. در نهایت روش پیشنهادی از نظر سرعت و دقت با دیگر روش ها مورد مقایسه قرار می گیرد.

کلیدواژه ها:

تشخیص نفوذ ، تشخیص ناهنجاری ، ماشین بردار پشتیبان ، شبکه یادگیری عمیق