ارائه يك الگوي فراابتكاري تشخيص نفوذ به كمك انتخاب ويژگي مبتني بر بهينه سازي گرگ خاكستري بهبود يافته و جنگل تصادفي

پيشرفت سريع در زمينه هاي اينترنت و ارتباطات منجر به رشد چشمگير شبكه هاي رايانه اي، اندازه‌ي شبكه و تبادل داده شده است و همين امر زمينه را براي حملات مختلف فراهم كرده است. سيستم‌هاي تشخيص نفوذ نقش مهمي در امنيت شبكه‌هاي اينترنتي بر عهده دارند كه با بازرسي ترافيك‌هاي شبكه از محرمانگي، يكپارچگي و در دسترس بودن شبكه محافظت مي كند. مدل هاي تشخيص نفوذ در زمينه امنيت شبكه، مدل هاي پيش بيني كننده‌اي هستند كه در جهت پيش‌بيني داده‌هاي ترافيكي نفوذ در شبكه‌ها به كار مي‌روند و يكي از پركاربردترين مدل ها در سيستم هاي تشخيص نفوذ مدل هاي مبتني بر يادگيري ماشين مي‌باشد. عدم توازن و تعادل بين دقت تشخيص و نرخ هشدار كاذب يكي از چالش هاي بزرگ در اين زمينه محسوب مي‌شود. در اين مقاله براي افزايش قدرت جستجو از الگوريتم‌هاي فراابتكاري و جهت افزايش قدرت محاسباتي و كلاس بندي از تكنيك يادگيري ماشين استفاده مي‌گردد. از اين رو در اين پژوهش مدلي كارا مبتني بر الگوريتم‌هاي گرگ خاكستري باينري بهبوديافته و جنگل تصادفي، جهت شناسايي بهترين مجموعه ويژگي‌هاي ترافيك براي تشخيص و پيشگيري از حملات اينترنتي ارائه مي‌گردد. جهت پيدا كردن بهترين زير مجموعه از الگوريتم گرگ خاكستري و براي ارزيابي هر زيرمجموعه از جنگل تصادفي استفاده مي‌شود. همچنين به‌منظور بهبود عملكرد گرگ خاكستري، اين الگوريتم بهبود داده مي‌شود. دقت حاصل شده براي طبقه بندي صحيح در روش پيشنهادي در مجموعه داده‌ها NSL-KDD در روش گرگ خاكستري سنتي و بهبوديافته به ترتيب برابر با 97.14 و 98.97 درصد است كه در مقايسه با روش هاي ديگر داراي دقت بالاتري مي‌باشد.