تشخیص نفوذ شبکه با استفاده از رویکرد ترکیبی مدل مخفی مارکوف و یادگیری ماشین مفرط

با رشد فناوری اطلاعات، امنیت شبکه به عنوان یکی از مباحث چالش برانگیز مطرح است. تکنیک های تشخیص نفوذ مبتنی بر ناهنجاری یک فناوری ارزشمند برای حفاظت از شبکه ها در برابر فعالیت های مخرب است. در این مقاله رویکردی جدید مبتنی بر مدل مخفی مارکوف (HMM) و ماشین یادگیری مفرط (ELM) جهت تشخیص نفوذ ارائه شده است. در مدل پیشنهادی، داده هایی که از ترافیک شبکه جمع آوری شده اند، ابتدا پیش پردازش می شوند. سپس دنباله مشاهدات، به HMM داده می شود و مدل با الگوریتم بام-ولچ آموزش می بیند. در مرحله شناسایی نفوذ با اعمال الگوریتم ویتربی بر روی مشاهدات به دست آمده، محتمل ترین دنباله حالات استخراج می شوند. در مرحله بعد، دنباله حالات به عنوان ورودی برای شبکه ELM در نظر گرفته می شوند و دسته بند داده های جدید را با توجه به آنچه آموزش دیده به یکی از کلاس های نرمال یا حمله نسبت می دهد. مجموعه داده مورداستفاده Darpa98 می باشد که داده های ترافیک شبکه است. مشکلاتی همچون ناکافی بودن داده های آموزش و اثر کاهش نمونه های آموزشی بر صحت نهایی در این مجموعه داده مورد آزمایش قرار گرفته است، که مدل پیشنهادی نتایج بهتری نسبت به روش های پیشین ارائه کرده است. آزمایش ها نشان می دهد که این رویکرد توانسته نسبت به سایر روش ها نرخ صحت بالاتر و نرخ مثبت کاذب کمتری را حاصل نماید و کارایی تشخیص نفوذ را بهبود بخشد.

کلیدواژه ها:

سیستم تشخیص نفوذ ، مدل مخفی مارکوف ، الگوریتم ویتربی ، شبکه عصبی پیش خور ، ماشین یادگیری مفرط