شبكه عصبي عميق تركيبي بهينه ادغام شده با انتخاب ويژگي براي سامانه تشخيص نفوذ در حملات سايبري

ﻫﻤﺮاه ﺑﺎ ﭘﯿﺸﺮﻓﺖ ﺳﺮﯾﻊ روش ﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ML و ﯾﺎدﮔﯿﺮي ﻋﻤﯿﻖ DL در دﻧﯿﺎي داده، ﯾﮑﯽ از ﮐﺎرﺑﺮدﻫـ ﺎي ﻣﻬـﻢ آن ﻫـ ﺎ در ﺣﻤـﻼت ﺳﺎﯾﺒﺮي، ﺑﻪ ﺳﯿﺴﺘﻢ ﻫﺎي ﺗﺸﺨﯿﺺ ﻧﻔﻮذ IDS ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻃﺒﻘﻪ ﺑﻨﺪي ﭘﯿﺸﺮﻓﺘﻪ اﺧﺘﺼﺎص ﻣﯽ ﯾﺎﺑـﺪ . ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ اﻫﻤ ﯿـﺖ ﺣﻔـﻆ اﻃﻼﻋﺎت اﯾﻤﻦ و ﺣﯿﺎﺗﯽ ﺳﺎزﻣﺎن ﻫﺎ ﯾﺎ اﻓﺮاد در ﺑﺮاﺑﺮ ﺣﻤﻼت ﻧﻔﻮذﮔﺮان، IDS ﻣﻮﺿﻮع ﺗﺤﻘﯿﻘﺎت ﻣﺘﻌﺪدي ﺟﻬﺖ اﻓﺰاﯾﺶ دﻗـﺖ و ﻗﺎﺑﻠ ﯿـﺖ اﻃﻤﯿﻨـﺎن ﺑﻮده اﺳﺖ. در ﻧﺘﯿﺠﻪ، اﯾﻦ ﻣﻘﺎﻟﻪ ﯾﮏ ﻣﺪل ﺗﺮﮐﯿﺒﯽ را اراﺋﻪ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﻪ ادﻏﺎم اﻧﺘﺨﺎب وﯾﮋﮔﯽ، ﻃﺒﻘﻪ ﺑﻨﺪي و ﺑﻬﯿﻨﻪ ﺳﺎزي ﻫﺎﯾﭙﺮﭘﺎراﻣﺘﺮﻫﺎ ﭘﺮداﺧﺘـﻪ اﺳﺖ. اﺑﺘﺪا، وﯾﮋﮔﯽ ﻫﺎي ﮐﺎﻧﺪﯾﺪ اوﻟﯿﻪ ﺑﻪ ﻃﻮر ﻫﻢ زﻣﺎن و ﺟﺪاﮔﺎﻧﻪ ﺗﻮﺳﻂ روش ﻫﺎي اﻃﻼﻋﺎت ﻣﺘﻘﺎﺑﻞ اﺻﻼح ﺷﺪه MMI ، اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿـﮏ GA و آزﻣﻮن F ﺗﺤﻠﯿﻞ وارﯾﺎﻧﺲ اﻧﺘﺨﺎب ﻣﯽ ﺷﻮﻧﺪ و ﭘﺲ ازآن، رأي ﮔﯿﺮي ﺟﻬﺖ اﺳﺘﺨﺮاج ﻫﻤﻪ وﯾﮋﮔﯽ ﻫﺎي ﻣﺸﺘﺮك ﺑﻪ ﻋﻨـﻮان ﻣﺘﻐ ﯿﺮﻫـﺎي ورودي ﺻـﻮرت ﻣﯽ ﭘﺬﯾﺮد. در اداﻣﻪ، ﯾﮏ ﻃﺒﻘﻪ ﺑﻨﺪ ﺗﺮﮐﯿﺒﯽ CNN و CNN LSTM LSTM ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮد ﮐﻪ ﻫﺎﯾﭙﺮﭘﺎراﻣﺘﺮﻫﺎي آن ﺗﻮﺳﻂ ﯾـﮏ اﻟﮕـﻮر ﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳﺎزي ﮔﺮگ ﺧﺎﮐﺴﺘﺮي ﻧﻬﻨﮓ ﺑﺎ ﺟﺎﺑﺠﺎﯾﯽ ﺗﺼﺎدﻓﯽ RS GWO WOA ﺗﻌﯿﯿﻦ ﺧﻮاﻫﺪ ﺷﺪ. ﺑﻪ ﻣﻨﻈـﻮر ﺗﺠﺰ ﯾـﻪ وﺗﺤﻠﯿـﻞ ﻃـﺮح ﭘﯿﺸـﻨﻬﺎدي، ﻣﻘﺎﯾﺴﻪ اي ﺑﺎ ﺳﺎﯾﺮ روشﻫﺎ از ﻧﻈﺮ ﺻﺤﺖ، دﻗﺖ، ﯾﺎدآوري، اﻣﺘﯿﺎز F1 و زﻣﺎن در ﻣﺠﻤﻮﻋﻪ داده NSL KDD اﻧﺠﺎم ﺷﺪه اﺳـﺖ ﮐـﻪ ﺑﺮﺗـﺮ ي روﯾﮑـﺮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ را ﺗﺎﺋﯿﺪ ﻣﯽ ﻧﻤﺎﯾﺪ.