مقایسه عملکرد الگوریتم های یادگیری ماشین در تشخیص نفوذ به شبکه های کامپیوتری

با افزایش و رشد استفاده ازشبکه های رایانه ای در جهان تقریبا اینترنت ضروری ترین بخش فعالیتهای روزانه ما انسان ها شده است و همزمان با آنناهنجاری ها و حملات نیز افزایش پیدا کرده اند. در کنار آنها سامانه های تشخیص نفوذ نیز ایجاد شده اند که بر مبنای روشهای داده کاوی، یادگیری ماشینو تحلیل داده ها و ... هستند با این حال این سامانه ها در مواردی منجر به تولید هشدار اشتباه می شوند در این مقاله سعی داریم با به کار گیری الگوریتم هاییادگیری ماشین مانند Forest Random ، XGBoost ، LightGBM ، CatBoost به بهترین دقت برای تشخیص نفوذ بپردازیم و تا حد امکان از ایجاد هشداراشتباه و کاذب جلوگیری کنیم. همچنین مطالعات انجام شده روی داده های UNSW-NB۱۵ می باشد که تشکیل شده از ۴۹ ویژگی و ۹ کلاس مختلف کهشامل انواح حملات و رفتار عادی می باشد در نهایت با مقایسه نتایج به دست آمده از الگوریتم های نام برده بهترین الگوریتم را برای تشخیص نفوذ از نظرسرعت و دقت و حداقل درصد خطا مشخص خواهیم کرد.

Keywords:

سامانه های تشخیص نفوذ , یادگیری ماشین , LightGBM , XGBoost , CatBoost