رویکردی مبتنی بر بهینه سازی هزینه برای طراحی سیستم های تشخیص نفوذ در شبکه های کامپیوتری با استفاده از وزن دهی به ویژگی ها

سیستم های تشخیص نفوذ به منظور بهبود امنیت در سیستم های کامپیوتری و شبکه ها ایجاد شده اند. دراین سیستم ها هزینه دسته بندی اشتباه در بین کلاسهای مختلف متفاوت است دراین مقاله سعی شده است بااستفاده از تکنیکهای یادگیری ماشین، تفاوت میان اهمیت دسته بندی درست کاربر معمولی و مشکوک به نفوذ آموزش داده شود. مدل ارائه شده با وزن دهی به ویژگی ها،بر اساس نمونه های آموزشی به منظور کاهش هزینه در سیستمهای تشخیص نفوذ طراحی شده است این مدل برپایه روش نزدیکترین همسایه است که در آن تاثیر ویژگی ها نسبت به هم باید در معیار نزدیکی لحاظ شود. بنابراین تکنیکی به منظور تطبیق پذیری این معیار با در نظرگرفتن اهمیت ویژگی های به کار گرفته شده است از این رو ویژگی های کم اهمیت یا بدون ارتباط در دسته بندی، قابل تشخیص می باشند در نهایت یک پیاده سازی از الگوریتم طراحی شده برروی داده های KDD99 انجام شده و نتایج بدست آمده ارائه گردیده است.

کلیدواژه ها:

سیستم های تشخیص نفوذ ، وزن دهی به ویژگی ها ، الگوریتم نزدیکترین همسایه ، کاهش هزینه ، انتخاب ویژگی ، شبکه های کامپیوتری