تشخيص نفوذ در شبكه با استفاده از تركيب شبكه‌هاي عصبي مصنوعي به‌ صورت سلسله مراتبي

Network Intrusion Detection using a Combination of Artificial Neural Networks in a Hierarchical Manner

ﺑﺎ رﺷﺪ ﻓﻨﺎوري اﻃﻼﻋﺎت، اﻣﻨﯿﺖ ﺷﺒﮑﻪ به‌ عنوان ﯾﮑﯽ از ﻣﺒﺎﺣﺚ ﻣﻬﻢ و ﭼﺎﻟﺶ ﺑﺴﯿﺎر ﺑﺰرگ ﻣﻄﺮح اﺳﺖ. ﺳامانه­ هاي ﺗﺸﺨﯿﺺ ﻧﻔﻮذ، مؤلفه اﺻﻠﯽ ﯾﮏ ﺷﺒﮑﻪ اﻣﻦ اﺳﺖ كه حملاتي را كه توسط فايروال ­ها شناسايي نمي‌شود، تشخيص مي‌دهد. اين سامانه ­ها با داده­ هاي حجيم براي تحليل مواجه هستند. بررسي مجموعه داده ­هاي سامانه‌هاي تشخيص نفوذ نشان مي‌دهد كه بسياري از ويژگي‌ها، غيرمفيد و يا بي‌تأثير هستند؛ بنابراين، حذف برخي ويژگي‌ها از مجموعه به‌ عنوان يك راه‌كار براي كاهش حجم سربار و در نتيجه بالا بردن سرعت سيستم تشخيص، معرفي مي‌شود. براي بهبود عملكرد سيستم تشخيص نفوذ، شناخت مجموعه ويژگي بهينه براي انواع حملات ضروري است. اين پژوهش علاوه بر ارائه مدلي بر اساس تركيب شبكه‌هاي عصبي مصنوعي براي اولين بار به‌منظور تشخيص نفوذ، روشي را براي استخراج ويژگي‌هاي بهينه، بر روي مجموعه داده KDD CUP 99 كه مجموعه داده استاندارد جهت آزمايش روش‌هاي تشخيص نفوذ به شبكه‌هاي كامپيوتري مي‌باشد، ارائه مي‌نمايد.

With the growth of information technology, network security is one of the major issues and a great challenge. Intrusion detection systems, are the main component of a secure network that detect the attacks which are not detected by firewalls. These systems have a huge load of data to analyze. Investigations show that many features are unhelpful or ineffective, so removing some of these redundant features from the feature set is a solution to reduce the amount of data and thus increase the speed of the detection system. To improve the performance of the intrusion detection system it is essential to understand the optimal property set for all kinds of attacks. This research, in addition to presenting a method for intrusion detection based on combining neural networks, also introduces a method for extracting optimal features of the KDD CUP 99 dataset which is a standard dataset for testing computer networks intrusion detection methods.