بهبود ارزيابي تاب آوري سايبري در سيستم تشخيص نفوذ شبكه هاي كامپيوتري با رويكرد يادگيري ماشين

Improving cyber resilience assessment in computer network intrusion detection system with machine learning approach

سيستمهاي تشخيص نفوذ (IDSs) به ابزارهاي مهم و پركاربردي براي تضمين امنيت شبكه تبديل شده‌اند. در سالهاي اخير تشخيص نفوذ بر اساس روشهاي تشخيص الگوي آماري در پاسخ به تقاضاي رو به رشد براي IDSs قابل اعتماد و هوشمند، توجهات را به خود جلب كرده است. در اين پژوهش به تشخيص حملات مختلف سايبري در شبكه IoT بر اساس مجموعه داده NSLKDD پرداخته خواهد شد. نتايج در قالب دو بخش ارائه مي گردد. در بخش نخست، با بهره گيري از الگوريتم هاي RSO WKWLM، ماشين بردار پشتيبان، درخت تصميم و K-نزديكترين همسايه، به مقايسه نتايج حاصل از اعمال اين 4 الگوريتم بر روي ويژگي هاي انتخاب شده توسط دو الگوريتم WHO و PSO پرداخته خواهد شد. نتايج نشان مي دهد كه از ميان اين چهار الگوريتم، به ترتيب مدل RSO WKWLM در تركيب با الگوريتم WHO با دقت 90.72 درصد، ماشين بردار پشتيبان با دقت 78.43 درصد، درخت تصميم با دقت 77.64 درصد و KNN با دقت 74.5 درصد داراي بهترين عملكرد بوده اند. همچنين مشخص شد كه استفاده از WHO داراي دقت بالاتري نسبت به PSO مي باشد. در گام بعد، با استفاده از شبكه GAN داده ها افزايش يافته و تعداد آن ها به 400000 تراكنش و تعداد نمونه هاي داراي حمله به 609 افزايش مي يابد.

Intrusion detection systems (IDSs) have become important and widely used tools to ensure network security. In recent years, intrusion detection based on statistical pattern recognition methods has attracted attention in response to the growing demand for reliable and intelligent IDSs. In this research, the detection of various cyber attacks in the IoT network will be done based on the NSLKDD dataset. The results are presented in two parts. In the first part, by using RSO WKWLM algorithms, support vector machine, decision tree and K-nearest neighbor, the results of applying these 4 algorithms on the features selected by WHO and PSO algorithms will be compared. . The results show that among these four algorithms, RSO WKWLM model combined with WHO algorithm with 90.72% accuracy, support vector machine with 78.43% accuracy, decision tree with 77.64% accuracy and KNN with 74.5% accuracy have the best results. have been performance. It was also found that using WHO has higher accuracy than PSO. In the next step, using the GAN network, the data is increased and their number increases to 400,000 transactions and the number of examples with attacks increases to 609.