شبكه هاي عصبي آموزشي رقابتي پيشرفته در مورد تشخيص نفوذ در شبكه و شناسايي كلاهبرداري

Advanced Competitive Educational Neural Networks on Intrusion Detection and Scam Detection

امروزه بيشتر زيرساخت‌هاي حياتي مانند مخابرات،‌ حمل و نقل، تجارت و بانك‌داري توسط شبكه‌هاي كامپيوتري مديريت مي‌شوند، بنابراين امنيت اين سيستم‌ها در مقابل حملات برنامه‌ريزي شده از اهميت بالايي برخوردار است. بيشتر اين حملات از خطاهاي نرم افزاري و خلاء‌هاي امنيتي سيستم هدف از طريق نرم افزارهاي مخربي تحت عنوان بدافزار، سوء استفاده مي‌كنند. بصورت كلي هر نوع كد نرم افزاري كه بر روي يك سيستم كامپيوتري قرار بگيرد و عملياتي ناخواسته را انجام دهد به عنوان بدافزار شناخته مي‌شود. از آن‌جا كه از بين بردن كامل خطاهاي نرم افزاري امري غيرممكن است، تمامي نرم افزارها داراي خلاءهاي امنيتي مي‌باشند كه به آن آسيب‌پذيري نرم افزار اتلاق مي‌شود. بنابراين پژوهشگران سعي در يافتن اين نقاط آسيب پذير داشته تا پس از شناسايي راه‌هاي نفوذ به سيستم، توسط روش‌هاي پيشگيرانه يا مقابله، حفاظت سيستم را تامين نمايند. شبكه‌هاي عصبي يكي از الگوريتم‌هاي مطرح در زمينه تشخيص نفوذ است. مشكل عمده زمان آموزش و عدم توجه به گستره ويژگي‌ها نياز به توسعه يا بهبود مدل را ايجاب مي‌كند. در اين پژوهش قصد بر اين است تا ضمن مطالعه انواع روش‌هاي تشخيص نفوذ به شبكخ، روشي كارآمد به منظور ايجاد مدل جديدي براي افزايش سرعت كشف حمله و بهره‌‌گيري از روش انتخاب ويژگي توسط الگوريتم ژنتيك براي كاهش سرعت مثبت نادرست ، با استفاده از تكنيك‌هاي انتخاب ويژگي در تركيب با الگوريتم شبكه عصبي ارائه دهيم.

Today, most vital infrastructure such as telecommunications, transportation, business and banking are managed by computer networks, so the security of these systems is very important for planned attacks. Most of these attacks exploit software errors and system security vulnerabilities through malware malware. Generally, any type of software code that runs on a computer system and performs an unwanted operation is known as malware. Because complete elimination of software errors is not possible, all software has security vulnerabilities, which refers to software vulnerabilities. Therefore, researchers have been trying to find these vulnerabilities so that after identifying ways to penetrate the system, they will provide system protection through preventive or countermeasures. Neural networks are one of the most important intrusion detection algorithms. The major problem of training time and the lack of attention to the range of features requires the development or improvement of the model. In this study, the aim of this study is to study a variety of methods for detecting intrusions, an efficient method for creating a new model for increasing the attack detection rate and utilizing the feature selection method by genetic algorithm to reduce the false positive rate by using feature selection techniques. In combination with the neural network algorithm.