بهبود عملکرد سیستم های تشخیص نفوذ با استفاده از الگوریتم های هوشمند کاهش ویژگی

موفقیت یک سیستم تشخیص نفوذ به این مساله که این سیستم چگونه موفق به ماکزیمم کردن دقت تشخیص و مینیمم کردن نرخ هشدار خطا می شود، بستگی دارد. در این تحقیق برای افزایش دقت و سرعت تشخیص نفوذ، ویژگی های مجموعه داده کاهش داده شده است و سعی شد چهار مدل از سیستم های تشخیص نفوذ، با هم مقایسه شود، که این مدل ها شامل، روش بهینه سازی ازدحام ذرات (PSO) شبکه استنتاج عصبی- فازی سازگار (ANFIS)، ماشین های بردار پشتیبان (SVM) و k نزدیک ترین همسایه (-k NN) می باشند. سیستم های پیاده سازی شده با دیتاست CICIDS2017 مورد ارزیابی قرار می گیرد. مجموعه داده CICIDS2017 که با استاندارد های جهان حقیقی مطابقت دارند، یک مجموعه داده قابل اعتماد است. در نتیجه، این مقاله سعی بر آن دارد تا با بررسی عملکرد الگوریتم های یادگیری ماشین بر روی یک مجموعه جامع از ویژگی های ترافیک شبکه و بهترین مجموعه ویژگی هایی را که برای پیدا کردن دسته های مختلف حملات لازم است را نشان دهد.

Keywords:

انتخاب ویژگی , سیتسم تشخیص نفوذ , الگوریتم های هوشمند , دسته بندی کننده