بهبود سيستم تشخيص نفوذ شبكه مبتني بر شبكه‌هاي عصبي با انتخاب ويژگي‌هاي بهينه

امروزه امنيّت اطلاعات براي هر سازماني براي محافظت در برابر داده‌هاي مخرب در دستكاري ترافيك شبكه يا نفوذ، موضوعي بسيار حياتي است. سيستم تشخيص نفوذ يكي از نقش‌هاي مهم براي تشخيص داده‌ها يا اطلاعات از رفتارهاي مخرب است، زيرا قادر به شناسايي حمله در محيط شبكه است. از آنجايي كه بسياري از تحقيقات بر توسعه الگوريتم‌هاي جديد براي بهبود مجموعه‌داده‌ها به روش‌هاي مختلف تمركز مي‌نمايند، در اين پژوهش كه از مجموعه‌داده NSL-KDD استفاده شده، ابتدا داده‌ها پيش‌پردازش و در محدوده صفر و يك نرمالسازي شده است، سپس انتخاب ويژگي با تركيب دو روش PCA و PSO انجام شده است. پژوهش حاضر توانست با تركيب الگوريتم‌هاي بهينه‌سازي PCA و PSO تعداد ويژگي‌ها را كاهش دهد و با سه ويژگي بهينه، دسته‌بند خود را آموزش دهد. براي دسته‌بندي داده‌ها از شبكه عصبي مصنوعي استفاده شده است. شبكه عصبي، يك بار ترافيك نرمال را از حمله و بار ديگر نوع حمله را تشخيص مي‌دهد. در دسته‌بندي دودويي شبكه عصبي صحت، دقّت، فراخواني و اندازه‌گيري-F را به ترتيب 98.75، 98.85، 99.35 و 99.10 درصد به دست آورده است. در تشخيص نوع حمله‌ها نيز كه بالاترين مقدار براي حمله U2R است، صحت، دقّت، فراخواني و اندازه‌گيري-F به ترتيب 98.97، 98.96، 99.45 و 99.20 درصد به دست آمده است.