مهدی گران ملک

تهدیدات شبکههای کامپیوتری یکی از گستردهترین بحثهای نگران کننده در جهان است. انواع مختلفی از حملات بهطور پیوسته تولید میشود که مسیلهی امنیت شبکههای کامپیوتری را تهدید میکند.این موضوع منجر به توسعه سریع روشهای احتمالی و مهم جدید، برای توسعه سیستمهای تشخیص نفوذ موثر میشود.سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری،روشارزشمندی برای حفاظت از سیستمها و شبکهها در برابر حملات هستند.مدل کردن رفتار سیستم یا شبکه،سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری را قادر میسازد که تا حد زیادی روش موثری برای شناسایی حملات شناخته شده یا حتی حملات ناشناخته جدید باشند. با این وجود روشهای نرم افزاری که در حال حاضر وجود دارد،برای سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری ، هنگامی که مقدار داده پردازشی زیاد شود،کم سرعت و ناکارآمد است. پیاده سازی سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری بر روی پلت فرمهای پردازش موازی، برای شتاب دادن بهسرعت این سیستمهای امری ضروری به نظر میرسد.شبکههای عصبی یک مثال خوب از پردازش موازی هستند. از شبکههای عصبی برای دسته بندی رفتار نرمال و غیر نرمال سیستمهای شبکه میتوان استفاده کرد. طبیعت موازی شبکههای عصبی که بر روی GPU پیاده سازی شده است ،به سیستم اجازه میدهد تا برخی نیازمندهای نظیر مدیریت محدودیتهای زمانی،سرعت پردازشی بالا و قابلیت پیکربندی مجدد را، پوشش دهد . این روش برای افزایش سرعت تشخیص نفوذ بر روی سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری ، موثر است. نتایج نشان میدهد که پیاده سازی با این روش بر روی GPU بسیار سریعتر از پیاده سازیهای مبتنی برای CPU های 32x است

تشخیص ناهنجاری، شبکه عصبی مصنوعی، Intrusion Detection System