تشخیص ناهنجاری براساس ترکیب الگوریتم های تحلیل مولفه های اساسی ونگاشت خود سازمان ده در شبکه های تشخیص نفوذ

نفوذ به شبکه و دسترسیهای غیر مجاز به اطلاعات باعث تغییر محتوی اطلاعات و جلوگیری از ارسال آنها می شود. با بررسی روشهای مختلف دراین زمینه ومقایسه روشها، روش مبتنی برشبکه پرسپترون با انتخاب ویژگی وگسسته سازی ، موجب ایجاد فضای زیادی در عملکرد دسته بندی کننده شده است . از طرفی درمدل درخت تصمیم با بکارگیری انتخاب ویژگیهای کم وگسسته کردن مقادیر آنها، نرخ تشخیص سیستم کاهش یافته و باعث افزایش خطای دسته بندی می شود. و مدل مخفی مارکوف نیز با انتخاب ویژگی ها و گسسته سازی آنها موجب ایجاد خطای زیادی در عملکرد دسته بندی کننده می شود . روش نگاشت خودسازمانده نیز توانایی نمایش همبستگی میان داده ها و اطلاعات واثرات متقابل وهمزمان آنها بر یکدیگر رادارد و برای کاهش نرخ خطای مثبت و بالا بردن نرخ تشخیص درست استفاده شده است . در این مقاله برای دسته بندی الگوهای تشخیص نفوذ از ترکیب روشهای آماری و شبکه عصبی نگاشت خود سازمانده برای تشخیص ناهنجاری استفاده شده است . در روش پیشنهادی ، برای انتخاب ویژگی و حذف داده های پرت از الگوریتم تحلیل مولفه های اساسی و همبسته سازی داده ها بکار گرفته شده است . همبسته سازی و فیلتر کردن داده ها باعث کاهش بار محاسباتی و سرعت یادگیری شبکه عصبی می شود . برای کاهش نرخ خطای مثبت از تولید خودکار الگوهای گوسی و بیشینه محلی امید ریاضی استفاده شده است . نتایج حاصل از شبیه سازی در نرم افزار متلب نشان می دهد که در روش پیشنهادی با انتخاب ۳ ویژگی مقادیر پارامترهای صحت درستی ، تشخیص درستی و نرخ خطای مثبت به ترتیب ۹۰ % ، ۹۰ % ، ۳.۹۱ %می باشد. با مقایسه روش پیشنهادی با مدلهای مخفی مارکوف ،درخت تصمیم وشبکه عصبی پرسپترون و نگاشت خود سازمانده و....نشان دهنده بهبود کارایی روش پیشنهادی می باشد.