ارایه مدل پیش بینی کننده برای تشخیص ارتباط نرمال از نفوذ در شبکه با استفاده از شبکه های عصبی مصنوعی

برای ایجاد امنیت کامل در یک سیستم کامپیوتری، علاوه بر دیوارآتش نیاز به سیستم های دیگری تحت عنوان سیستمهای تشخیص نفوذ (IDS) می باشند تا بتوانند در صورتی که نفوذ گر از دیواره آتش، آنتی ویروس و دیگر تجهیزات امنیتی عبور کرد و وارد سیستم شد، (IDS) آن را تشخیص داده و چاره ای برای آن بیاندیشد. در این پژوهش ما قصد داریم سیستم های تشخیص نفوذ را از سه جنبه روش تشخیص، معماری و نحوه ی پاسخ به نفوذ بررسی کنیم. از انواع روشهای تشخیص نفوذ می توان به تشخیص رفتار غیرعادی و تشخیص سوءاستفاده (تشخیص مبتنی بر امضا) اشاره کرد.همچنین انواع مختلفی از معماری سیستم های تشخیص نفوذ وجود دارند که به طور کلی می توان آنها را در سه دستهمبتنی بر میزبان (HIDS)، مبتنی بر شبکه (NIDS) و توزیع شده (DIDS) تقسیم نمود. در حالی که دیوار آتش به ترافیک بر پایه مقصد نهایی آن اجازه عبور می دهد، تکنولوژی های IPS و IDS تحلیل های پیچیده ای روی تهدیدها و آسیبپذیری های شبکه انجام می دهند، و حملاتی را که داخل ترافیک قانونی شبکه وجود دارند و به نحوی از دیواره آتش عبورنموده اند را مشخص وحذف می نمایند.استفاده از شبکه عصبی به عنوان یک ابزار قدرتمند در پردازش داده ها در سال های اخیر به میزان گسترده ای فراگیر شدهاست. در این پژوهش به منظور برقراری امنیت درسیستم های کامپیوتری و سیستم تشخیص حملات از شبکه عصبی RBFاستفاده شده است و نتایج حاصل از روش پیشنهادی با روش های پیشین مقایسه گردیده است که در نتیجه پس از آموزشو آزمون، توانست تا 98 % حملات را به درستی تشخیص دهد.

Keywords:

سیستم های تشخیص نفوذ , امنیت شبکه , علایم حمله , دیوار آتش