تشخیص ناهنجاری در شبکه اینترنت اشیاء به وسیله الگوریتم بهینه سازی شاپرک و تحلیل ترافیک شبکه در آپاچی اسپارک

سیستم های تشخیص نفوذ به شبکه با تحلیل ترافیک شبکه می توانند ترافیک نرمال از غیر نرمال را تشخیص داده و یکگزارش از نفوذ را برای دیوار آتش ارسال نمایند. هدف اصلی این پژوهش ارائه دادن یک سیستم تشخیص نفوذ برای شبکه اینترنتاشیاء است که بتواند بادقت بالا و زمان اجرای مناسب انواع نفوذ را تشخیص دهد. درروش پیشنهادی برای کاهش دادن ابعادترافیک شبکه در ابتدا از الگوریتم بهینه سازی شاپرک استفاده می شود و ترافیک کاهش ابعاد یافته برای گره اصلی آپاچی اسپارکبه عنوان یک معماری توزیع شده ارسال می شود و در گره های فرعی طبقه بندی ترافیک نرمال و غیر نرمال انجام می شود.ارزیابی ها نشان می دهد اگر تعداد بردارهای ویژگی یا جمعی الگوریتم فرا ابتکاری افزایش داده شود، خطای تشخیص نفوذ بهشبکه در حدود %۷۶.۱۹ کاهش خواهد داشت و خطا برحسب یادگیری و انتخاب ویژگی یک روال نزولی را دارد. آزمایش ها نشانمی دهد که در جمعیت کم الگوریتم بهینه سازی شاپرک میزان دقت روش پیشنهادی برابر %۹۸.۶۴ است و در جمعیت بزرگتراین دقت در حدود % ۹۹.۶۷ است. چارچوب پیشنهادی نسب به روش های نظیر ماشین بکردار پشتیبان، شبکه بیزین، درختتصمیم گیری دقت بیشتری در تشخیص نفوذ به شبکه دارد. آزمایشات تائید کرد اگر تعداد بردار ویژگی افزایش داده شود احتمالیافتن بردارهای ویژگی بهینه افزایش داشته و این موضوع باعث افزایش دقت تشخیص نفوذ به شبکه تا % ۱.۰۳ می شود.

Keywords:

سیستم های تشخیص نفوذ , انتخاب ویژگی , کاهش ابعاد , آپاچی اسپارک , یادگیری توزیع شده