فرزانه بندپی - دانشجوی کارشناسی ارشد فناوری اطلاعات،موسسه آموزش عالی مهر آستان، آستانه اشرفیه، ایران
غلامحسین اکباتانی فرد - استادیار گروه کامپیوتر،واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

اینترنت و شبکه های کامپیوتری در معرض تعداد فزایندهای از حملات اینترنتی هستند. امروزه تشخیص اتفاقات غیرعادی درشبکه، موضوع بسیاری از پژوهشها قرارگرفته است. ترافیک شبکه گسترده بسیار حجیم میباشد و این مسیله منجر به ابعاد بالای داده و افزایش نویز شده و سبب میشود که استخراج اطلاعات معنادار برای تشخیص اتفاقات غیرعادی بسیار مشکل گردد. آموزش شبکه برای تشخیص حالتهای غیر نرمال کمک شایانی به شناسایی زمان وقوع حمله مینماید. تشخیص بهموقع حملات، پایداری یک سیستم را بهبود میبخشد. هرکدام از حملات گونه ای از یک رفتار خاص را دارا میباشند که از روی رفتار آنها میتوان نوع حمله راتشخیص داد؛ اما برخی از حملات ممکن است رفتاری مشابه داشته و فقط در پارهای از ویژگیها متفاوت باشند. خوشه بندی دادهها درزمان اجرای پژوهش، میتواند نوع دادهها را از یکدیگر تفکیک نماید. ایجاد خوشه های مختلف، با معیارهای متفاوتی صورت می پذیرد.هرکدام از این معیارها توزیعی از فاصله بین دادهها را ارایه میدهد. ترکیب معیارهای مختلف در مباحث اطلاعات متقابل دادهها میتواند کیفیت خوشه بندی را افزایش دهد. در این پژوهش از ترکیب الگوریتم آدابوست و درخت تصادفی برای ترکیب معیارهای مختلف شباهت به منظور افزایش کیفیت خوشه بندی و بهبود تشخیص اتفاقات غیرعادی در شبکه استفاده میشود. آدابوست به دلیل اینکه میتواند از نقاط قوت الگوریتم های مختلف بهره میگیرد یک سیستم هوشمند مفید با عملکرد بالا برای شناسایی اتفاقات غیرعادی در شبکه ایجاد مینماید.

شبکه حسگر بیسیم، ناهنجاری ترافیک شبکه، اطلاعات متقابل، الگوریتم آدابوست