دفاعیه ارشد: بهبود عملکرد تشخیص نفوذ با استفاده از روش ترکیبی مبتنی بر الگوریتم XGBOOST و شبکه های عصبی بازگشتی BIGRU

بهبود عملکرد تشخیص نفوذ با استفاده از روش ترکیبی مبتنی بر الگوریتم XGBOOST و شبکه های عصبی بازگشتی BIGRU روز پنجشنبه، 30 بهمن، 1404 توسط موسسه آموزش عالی پیشتازان شیراز در شهر شیراز استان فارس برگزار می شود.

سیستم های تشخیص نفوذ (Intrusion Detection Systems – IDS) نقش مهمی در پایش ترافیک شبکه و شناسایی فعالیت های مخرب ایفا می کنند. با افزایش حجم داده های شبکه و پیچیده تر شدن الگوهای حملات روش های سنتی مبتنی بر امضا یا الگوریتم های کلاسیک یادگیری ماشین به ویژه در شناسایی حملات جدید و ناشناخته با محدودیت هایی مواجه شده اند. در این پایان نامه یک روش ترکیبی مبتنی بر الگوریتم XGBoost و شبکه عصبی بازگشتی دوطرفه (BiGRU) برای بهبود عملکرد تشخیص نفوذ پیشنهاد می شود. در این روش XGBoost با شناسایی ویژگی های مهم و مدل سازی روابط غیرخطی بین آن ها داده های ترافیک شبکه را به صورت موثر طبقه بندی می کند و نسبت به نویز و عدم تعادل داده ها پایداری مناسبی دارد. در ادامهBiGRU با بهره گیری از ساختار دوطرفه خود، وابستگی های زمانی گذشته و آینده را به طور هم زمان مدل سازی کرده و الگوهای زمانی پیچیده حملات شبکه را شناسایی می کند. ترکیب مرحله ای این دو مدل دقت بالای الگوریتم های درختی تقویت شده را با توانایی یادگیری توالی ها در شبکه های بازگشتی تلفیق می کند. نتایج آزمایش ها بر روی مجموعه داده های استاندارد تشخیص نفوذ نشان می دهد که روش پیشنهادی در مقایسه با رویکردهای پایه، نرخ تشخیص بالاتر، پایداری بیشتر و توانایی بهتری در شناسایی حملات جدید ارائه می دهد
معرفی سخنرانان: ارائه دهنده: علیرضا بردبار استاد راهنما: دکتر علی صادقی اساتید داور: دکتر فرشته رضائی-دکتر سارا مسار