نریمان رسولی - گروه کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی کارون، اهواز، ایران
محمد اسماعیل دوست - دانشکده مهندسی دریا، دانشگاه علوم و فنون دریایی خرمشهر، خرمشهر، ایران

کار اصلی سیستم تشخیص نفوذ طبقهبندی فعالیتهای درون شبکه ای به دو دسته نرمال و غیرنرمال است به گونه ای که از طبقه بندیهای نادرست اجتناب شود. هدف اصلی این مقاله افزایش دقت تشخیص و درنتیجه کاهش نرخ تشخیص اشتباه و نیز افزایش سرعت تشخیص نفوذ در راستای افزایش کارایی سیستم تشخیص نفوذ می باشد. در این تحقیق به این سوال پاسخ داده می شود که آیا روش پیشنهادی میتواند با افزایش دقت تشخیص نفوذ، نرخ تشخیص اشتباه را کاهش دهد؟ و نیز آیا روش پیشنهادی میتواند با افزایش سرعت تشخیص، کارایی سیستم تشخیص نفوذ را افزایش دهد؟ در این پژوهش دو فرضیه اصلی برای یک سیستم تشخیص نفوذ در نظر گرفته شده است؛ اول اینکه فعالیتهای مختلف کاربر و برنامه ها توسط سیستم های کامپیوتری در ابعاد مختلف قابل مشاهده هستند و دوم اینکه مکانیسم های نرمال و فعالیتهای نفوذ باید دارای رفتارهای متمایزی باشند. روش تحقیق داده ها در این مقاله به روش الگوریتم بهینه سازی کلونی زنبورعسل می باشد. داده ها از نرم افزار متلب گرفته شده است. ماشینبردار پشتیبان یکی از روشهای یادگیری نظارتی است که از آن برای طبقه بندی و رگرسیون استفاده میشود. نتایج تحقیق نشان داد حالت آموزش ماشینبردار پشتیبان تنها برای موارد نمونه زمانی مناسب است. در روش پیشنهادی، با توجه به این که فاز آموزش و آزمایش به صورت ماژولهای جداگانه طراحی شده اند، روند آموزش و آزمایش میتواند به صورت موازی انجام شود.

خوشه بندی، الگوریتم زنبور عسل، ماشین بردار پشتیبان، تشخیص نفوذ.