حسنه موسوی - دانشجوی کارشناسی ارشد مهندسی کامپیوتر-نرم افزار، موسسه آموزش عالی جهاد دانشگاهی خوزستان
سیدعنایت اله علوی - عضو هیات علمی گروه مهندسی کامپیوتر، دانشگاه شهید چمران اهواز، خوزستان
حسین بیگی هرچگانی - عضو هیات علمی گروه مهنسی کامپیوتر، موسسه آموزش عالی جهاد دانشگاهی خوزستان

امروزه با رشد چشمگیر استفاده از شبکه های کامپیوتری و به اشتراک گذاشتن اطلاعات در شبکه، خطر حملات و نفوذ به شبکه افزایش یافته است، بنابراین امنیت شبکه و اطلاعات موجود در آن به یکی از مسایل مهم و ضروری تبدیل شده است. با توجه به اهمیت این موضوع هدف از انجام این پژوهش ارائه رویکردی جهت تشخیص حملات و نفوذ در شبکه با استفاده از ترکیب الگوریتم ماشین بردار پشتیبان، الگوریتم جهش قورباغه و همچنین الگوریتم درخت تصمیم جهت کاهش ابعاد است، به گونهای که دقت تشخیص نفوذ و کارایی سیستم بهبود یابد. ماشین بردار پشتیبان یکی از روشهای طبقهبندی است. با توجه به اینکه کارایی این ماشین به پارامترها و مجموعه داده آموزشی که به آن داده میشود بستگی دارد، بنابراین تعیین مقدار بهینه برای پارامترها و استفاده از زیرمجموعه بهینه برای داده های آموزشی آن، تاثیر مستقیم بر کارایی سیستم دارد و باعث افزایش کارایی آن میشود. در این پایاننامه برای دستهبندی نوع ترافیک ورودی از طبقهبند SVMاستفاده شده است. از آنجایی که کارایی ماشین بردار پشتیبان به تعیین مقدار بهینه برای پارامترهای آن بستگی دارد، جهت ساخت یک مدل SVM کارآمد پارامترهای آن باید به دقت تعیین شود. به همین دلیل از الگوریتم تکاملی جهش قورباغه به منظور بهینه سازی پارامترهای طبقهبند موردنظر استفاده شده است که در نتیجه آن کارایی سیستم بالا خواهد رفت. همچنین اعمال الگوریتم درخت تصمیم CART بر روی داده های آموزشی جهت انتخاب ویژگیها، ابعاد داده ها را کاهش میدهد و همچنین باعث میشود زمان آموزش SVM کاهش پیدا کند . مدل پیشنهاد شده با استفاده از مجموعه داده NLS-KDD مورد آزمایش و ارزیابی قرار گرفت و نتایج نشان میدهند که نرخ دقت مدل پیشنهاد شده در تشخیص حملات و نفوذ در شبکه 87,6 درصد بهدست آمده است که نسبت به روشهای مورد مقایسه دقت بالاتری دارد.

سیستم تشخیص نفوذ، ماشین بردار پشتیبان، الگوریتم جهش قورباغه، الگوریتم درخت تصمیم .CART