ارائه يك طبقه بند جديد مبتني بر يادگيري ماشين براي تشخيص نفوذ شبكه

با افزايش حجم انتقال اطالعات در شبكههاي كامپيوتري اهميت حفظ امنيت اين اطالعات افزايش پيدا كرده است. در مقابل، تعداد و انواع حمالت به اين شبكهها نيز بيشتر و پيچيدهتر شدهاست. روشهاي سابق مقابله با نفوذ مانند ديواره آتش و يا سيستم هاي كنترل دسترسي به تنهايي ديگر توانايي مقابله با حمالت را ندارند. بنابراين نياز به تشخيص حمالت و ناهنجاريهاي جديد، بيش از پيش احساس مي-شود. امروزه براي تشخيص حمالت ناهنجاري، روشهاي مختلفي بكار ميرود، ما در اين پروژه به دنبال آن هستيم كه از طريق حداقل كردن ميزان خطا در تشخيص نفوذ ويژگيهاي بهينه موثر در اين امر را بيابيم. به طور كلي يك سيستم تشخيص نفوذ، از سه بخش تشكيل ميشود: حسگرها كه عمل جمعآوري داده-ها را به عهده دارند، پردازشگر دادهها و تشخيص دهنده حالت شبكه يا سيستم، ارائه دهندهي انواع حاالت پاسخدهي به حمله مورد نظر. در اين پاياننامه، بخشي از سيستم تشخيص نفوذ كه عمل پردازش بر روي دادههاي رويداد را انجام ميدهد، مدنظر قرار گرفتهاست. در آزمايشها از مجموعه دادهي استاندارد تشخيص نفوذ KDD99 به عنوان پايگاه دادهي مورد ارزيابي استفاده شدهاست. روش پيشنهادي شامل مراحل پيش پردازش دادهها توسط الگوريتم تحليل مولفههاي اصلي و انتخاب ويژگي-هاي بهينه توسط الگوريتم ژنتيك از طريق حداقل كردن ميزان خطاي تشخيص نفوذ توسط سيستم استنتاج فازي-عصبي تطبيقي ميباشد.