سيستم تشخيص نفوذ مبتني بر تركيب شبكه عصبي مصنوعي كوهنن و مدل مخفي ماركوف

در دنياي امنيت امروزي، بر خلاف گذشته، ابزار هاي دفاعي مبتني بر پايگاه داده كه در آنها قوانيني براي شناسايي حملات تعريف شده است، كارايي لازم را ندارند و در تامين امنيت شبكه ها به مشكل بر خورده اند. از اين رو ابزار دفاعي مبتني بر الگوريتم هاي يادگيري ماشين كه توانايي مقابله با پيچيده ترين نوع حمله ها را دارند، مورد توجه قرار گرفته اند. در اين مقاله مدلي براي تشخيص نفوذ مبتني بر تركيب شبكه عصبي كوهنن و مدل مخفي ماركوف ارائه شده است كه در آن دنباله اي از فراخواني هاي سيتمي به عنوان دنباله اي از رفتار هاي صورت گرفته وارد مدل پيشنهادي مي شود و با توجه به شباهت مدل هاي آموخته شده با رفتار هاي ورودي، نوع رفتار ها تشخيص داده شده و تصميمات درست به عنوان خروجي اتخاذ مي گردد. سپس اين نوع رفتار براي تشخيص هاي بعدي در سيستم ذخيره مي گردد. نتايج آزمايشگاهي نشان مي دهد كه تجزيه و تحليلي كه به وسيله سيستم تشخيص نفوذ پيشنهادي صورت گرفته از دقتي بالاي 99 درصد برخوردار مي باشد و بر روي حملاتي كه به صورت مكرر به يك وب سرور انجام شده، به طور محسوسي موثر است .