ارایه روشی جدید بر پایه یادگیری خودآموز برای سیستم تشخیص نفوذ شبکه

یک سیستم تشخیص نفوذ شبکه (NIDS) به مدیران برای تشخیص نقض امنیتی شبکه در سازمان خود کمک میکند. با این حال چالشهای زیادی در تاثیرگذاری و موثر بودن NIDS برای حملات پیش بینی نشده و غیرقابل پیشبینی در حال رشد است. در این مقاله، یک رویکرد مبتنی بر یادگیری خودآموز (STL) برای پیاده سازی موثر و قابل انعطاف NIDS با استفاده از یادگیری عمیق بر پایه شبکه عصبی کانوولوشن پویا (DCNN) پیشنهاد شد. برای آزمایش و ارزیابی روش پیشنهادی از مجموعه داده معیار NSL-KDD برای تشخیص نفوذ شبکه استفاده شد. همچنین، عملکرد روش پیشنهادی را بر حسب دقت، بازخوانی و سنجش F با روشهای پایه مقایسه کردیم. نتایج تجربی نشان داد روش پیشنهادی از عملکرد مطلوبتری نسبت به روش پایه برخوردار است.

Keywords:

امنیت شبکه , تشخیص نفوذ , یادگیری خودآموز , یادگیری عمیق , شبکه عصبی کانوولوشن پویا (DCNN)