کاهش بعد توسط IG-CFS و طبقه بندی با استفاده از جنگل چرخشی جهت تشخیص نفوذ شبکه

با توجه به رشد سریع اینترنت ، طی دهه های گذشته ، مسائل امنیتی شبکه به شدت رو به گسترش هستند. تشخیص نفوذ در شبکه ، فرآیند شنا سایی فعالیت های مخرب با آنالیز رفتار ترافیک شبکه می با شد. تکنیک های دادهکاوی، به طور گسترده ای جهت تشخیص ناهنجاریها، در سی ستم های ت شخیص نفوذ مورد ا ستفاده قرار گرفته اند. کاهش بعد، نقشی ا سا سی در سیستم تشخیص نفوذ ایفا می کند، زیرا تشخیص ناهنجاری در ترافیک شبکه با ابعاد بالا، فرآیندی زمانبر ا ست . در این مقاله ، رویکری ارائه شده ا ست که با بهره گیری از تکنیک انتخاب ویژگی و با استفاده از طبقه بند گروهی ، موفق به بهبود دقت طبقه بندی شده ایم . در رویکرد ارائه شده، ابتدا با استفاده از تکنیک انتخاب ویژگی بهره اطلاعاتی ، ابعاد مجموعه داده کاهش می یابد، سپس در گام بعدی با بهره گیری از تکنیک انتخاب ویژگی مبتنی بر همبستگی ، قابل اعتمادترین رکوردها استخراج شده و جهت طبقه بندی به طبقه بند گروهی جنگل چرخشی ارائه می شوند. برای ارزیابی عملکرد، مجموعه دادهی NSL-KDD جهت طبقه بندی ترافیک شبکه مورد استفاده قرار گرفته است . نتایج آزمایش ها بیانگر بهبود عملکرد دقت طبقه بندی و کاهش چشمگیر زمان محاسباتی می باشد.

Keywords:

کاهش بعد , تشخیص نفوذ , بهره اطلاعاتی , انتخاب ویژگی مبتنی بر همبستگی , جنگل چرخشی