ارایه یک طبقه بند جدید مبتنی بر یادگیری ماشین برای تشخیص نفوذ شبکه

با افزایش حجم انتقال اطلاعات در شبکه های کامپیوتری اهمیت حفظ امنیت این اطلاعات افزایش پیداکرده است. در مقابل، تعداد و انواع حملات به این شبکه ها نیز بیشتر و پیچیده تر شده است. روشهایسابق مقابله با نفوذ مانند دیواره آتش و یا سیستم های کنترل دسترسی به تنهایی دیگر توانایی مقابله باحملات را ندارند. بنابراین نیاز به تشخیص حملات و ناهنجاریهای جدید، بیش از پیش احساس می-شود. امروزه برای تشخیص حملات ناهنجاری، روشهای مختلفی بکار میرود، ما در این پروژه به دنبالآن هستیم که از طریق حداقل کردن میزان خطا در تشخیص نفوذ ویژگی های بهینه موثر در این امر رابیابیم. به طور کلی یک سیستم تشخیص نفوذ، از سه بخش تشکیل میشود: حسگرها که عمل جمع آوری داده-ها را به عهده دارند، پردازشگر داده ها و تشخیص دهنده حالت شبکه یا سیستم، ارایه دهنده ی انواعحالات پاسخ دهی به حمله مورد نظر. در این پایاننامه، بخشی از سیستم تشخیص نفوذ که عمل پردازشبر روی داده های رویداد را انجام میدهد، مدنظر قرار گرفته است. در آزمایش ها از مجموعه داده یاستاندارد تشخیص نفوذ KDD99 به عنوان پایگاه داده ی مورد ارزیابی استفاده شده است. روشپیشنهادی شامل مراحل پیش پردازش داده ها توسط الگوریتم تحلیل مولفه های اصلی و انتخاب ویژگی-های بهینه توسط الگوریتم ژنتیک از طریق حداقل کردن میزان خطای تشخیص نفوذ توسط سیستماستنتاج فازی عصبی تطبیقی می باشد.

Keywords:

تشخیص نفوذ , سیستم استنتاج فازی- عصبی تطبیقی , الگوریتم ژنتیک , تحلیل مولفه های اصلی