بررسي مباني روش هاي نوين بر مبناي يادگيري ماشين در امنيت شبكه

Investigating the basics of new methods based on machine learning in network security

سيستم تشخيص نفوذ IDS در امنيت سايبري يكي از تكنيكهاي گسترده است كه در توپولوژي شبكه به كار ميرود تا از يكپارچگي و در دسترس بودن دارايي هاي حساس در سيستمها محافظت كند. اگرچه بسياري از رويكردهاي يادگيري نظارت شده و نظارت نشده در حوزه يادگيري ماشين براي افزايش اثر بخشي IDS استفاده شده است اما هنوز هم براي دستيابي به عملكرد خوب الگوريتم هاي تشخيص نفوذ موجود است. در اين ،پژوهش روش تركيبي الگوريتم يادگيري ماشين و الگوريتم تكاملي براي تشخيص نفوذ پيشنهاد شده است؛ اين روش مبتني بر انتخاب ويژگيها و تكنيك هاي يادگيري است ،ابتدا يك الگوريتم فراابتكاري با نام الگوريتم گرگ خاكستري باينري براي كاهش ابعاد پيشنهاد گرديده كه زير مجموعه بهينه را بر اساس همبستگي بين ويژگي ها انتخاب مي.كند سپس اين ويژگيها به شبكه عصبي مصنوعي تزريق ميشود و در هر تكرار به سمت كمترين خطا در يادگيري پيش ميرويم سرانجام از مدل استخراج شده براي تشخيص حمله استفاده ميشود. نتايج پياده سازي با استفاده از مجموعه داده NSL-KDD كه روش پيشنهادي قادر به نمايش عملكرد بهتر از ساير رويكردهاي مرتبط و پيشرفته در چندين معيار .است دسته بندي با صحت و دقت بالاي ۹۶ درصد انجام شده است.