استفاده از الگورتیم وال در بهینه سازی کاربرد شبکه عصبی در تشخیص نفوذ

سیستم های تشخیص نفوذ به شبکه یکی از ارکان های مهم برای برقراری امنیت بوده و با تحلیل ترافیک می تواند الگوی نفوذ به شبکه را تشخیص داده و هشدارهای لازم را برای مدیران یا اجزای امنیتی دیگر شبکه مانند دیوار آتش ارسال نمایند. یکی از روش های تشخیص نفوذ به شبکه استفاده از روش های یادگیری ماشین و داده کاوی مانند شبکه عصبی مصنوعی است که می تواند الگوی پنهان نفوذ را به شبکه تشخیص دهد چالش مهم روش های یادگیری مانند شبکه عصبی مصنوعی چند لایه وجود خطا در خروجی مدل برای تشخیص نفوذ به شبکه است و می توان توسط الگوریتم های فرا ابتکاری این خطا را تا حد ممکن کاهش داد در این پژوهش برای کاهش دادن خطای تشخیص نفوذ به شبکه از الگوریتم بهینه سازی وال استفاده شوده است تا خطای شبکه عصبی مصنوعی چند لایه در تشخیص نفوذ کمینه ممکن گردد نتایج پیاده سازی ما بر روی مجموعه داده KDD در محیط متلب نشان می دهد متوسط شاخص خطای روش پیشنهادی در تشخیص نفوذ نسبت به شبکه عصبی مصنوعی چند لایه کمتر بوده و افزایش اندازه جمعیت از 5 به 55 خطای تشخیص نفوذ را حدود 58.35 % کاهش داده و از طرفی شاخص دقت، حساسیت و تشخیص روش پیشنهادی به ترتیب برابر 69.89%، 68.39% و 64.58% است که نسبت به روش های مانند درخت تصمیم گیری و ماشین بردار پشتیبان دقت بیشتری در تشخیص نفوذ به شبکه دارد.