یک سیستم تشخیص نفوذ شبکه های کامپیوتری با استفاده از الگوریتم کرم شب تاب و شبکه یادگیری سریع

با توجه به گستردگی استفاده از شبکه های ارتباطی و سهولت برقراری ارتباط از طریق شبکه های کامپیوتری، این نوع از شبکه ها بیش از پیش مورد توجه قرار گرفته اند که باعث مطرح شدن مسئله های امنیتی در زمینه ارسال و دریافت اطلاعات شده که تشخیص نفوذ به عنوان مهم ترین مسئله مطرح شده است. تشخیص نفوذ شبکه فرایند شناسایی فعالیت های مخرب در یک شبکه با تحلیل رفتار ترافیک شبکه است. این شبکه ها به دلیل بی سیم بودن، محدودیت منابع، تحرک و پویایی و وظایف مهم و بحرانی که دارند، نسبت به شبکه های دیگر دارای آسیب پذیری نسبتا بالایی هستند. علاوه بر این با توجه به انرژی محدود گره های بی سیم، استفاده از گره های ناظر برای نظارت دائمی در شبکه های بی سیم به منظور جلوگیری و کشف نفوذ و حملات را در این نوع از شبکه ها عملا غیرممکن کرده است. از این رو سیستم های پیش بینی و تشخیص نفوذ در شبکه (NIDS) نقش مهمی در ایجاد امنیت در شبکه های بی سیم بر عهده دارند و می توانند محدوده وسیعی از حملات را در برگیرند. رفتار ترافیکی در شبکه دارای ویژگی ها و ابعاد زیادی است، بنابراین کاهش ابعاد نقش حیاتی درNIDS بازی می کند، زیرا شناسایی ناهنجاری ها از ویژگی ترافیک شبکه با ابعاد بزرگ، فرایند زمان گیر است. انتخاب ویژگی بر سرعت تجزیه و تحلیل و تشخیص تاثیر می گذارد. به همین منظور در این پژوهش برای پیش بینی نفوذ در شبکه های بی سیم رویکرد جدیدی با استفاده از انتخاب زیرمجموعه ویژگی مبتنی بر الگوریتم کرم شب تاب و شبکه یادگیری عصبی سریع ارائه می شود. ویژگی های منتخب در مرحله انتخاب زیرمجموعه ویژگی ها، به عنوان ورودی به شبکه یادگیری عصبی سریع مورد استفاده قرار می گیرد تا در زمان بلادرنگ تحلیلی از نفوذها در شبکه صورت گیرد. با توجه به نتایج شبیه سازی در این پایان نامه می توان گفت روش شبکه های عصبی سریع آموزش را تا جایی ادامه می دهد که از بروز خطای overfitting جلوگیری به عمل آید در صورتی که شبکه های عصبی تا کامل شدن روند آموزش، ویژگی های نمونه های آموزشی را بیشتر یاد می گیرند. بنابراین بروز پدیده Overfitting در شبکه های عصبی طبیعی است. از این رو روش پیشنهادی در مجموع عملکرد بهتری نسبت به روش شبکه های عصبی در تشخیص گره های سالم و حملات جدید در شبکه را نشان می دهد.