مروری بر سیستم های تشخیص نفوذ مبتنی بر طبقه بند ترکیبی و کاهش بعد

با توجه به رابطه تنگاتنگ زندگی مدرن امروزی با اینترنت و شبکه های کامپیوتری، تامین امنیت شبکه های اینترنتی از اهمیت بسزایی برخوردار است. به علت فعالیت های نفوذی و حمله های مکرر به شبکه های اینترنتی و هزینه های غیرقابل جبران آن ها، سیستمهای تشخیص نفوذ مبتنی بر روشهای یادگیری ماشین پیشنهاد شده اند که هدف این سیستمها ایجاد یک مدل برای تشخیص دسترسی های مجاز و دسترسی های غیرمجاز است. یکی از مهم ترین چالشهای موجود در طراحی سیستمهای تشخیص نفوذ، ابعاد بالای مجموعه داده ها است که به شکلی منفی صحت تشخیص را تحت تاثیر قرار می دهد. بیشتر سیستمهای تشخیص نفوذ تمام ویژگی های موجود در داده ها را در نظر می گیرند که بعضی از آن ها ممکن است تکراری باشند و یا نقش ناچیزی در طبقه بندی داشته باشند. انتخاب ویژگی، روشی کارآمد برای مقابله با ابعاد بالا است. از طرفی دیگر، در مطالعات مختلف نشان داده شده است که استفاده از یک طبقه بند ترکیبی متشکل از چندین طبقه بند میتواند به عملکرد بهتری نسبت به یک طبقه بند واحد دست یابد. در این مطالعه مروری بر الگوریتم های طبقه بندی ترکیبی مبتنی بر کاهش بعد، انجام خواهد شد.

کلیدواژه ها:

سیستم تشخیص نفوذ ، انتخاب ویژگی ، طبقه بند ترکیبی ، کاهش بعد