توسعه یک سیستم تشخیص نفوذ مبتنی بر خوشه‌بندی فازی و الگوریتم بهینه‌سازی نهنگ

امروزه شبکه­های کامپیوتری در جهان کاربردهای فراوانی پیدا کرده‌اند. به‌دلیل استفاده گسترده از اینترنت، سیستم­های رایانه­ای، مستعد سرقت اطلاعات هستند که منجر به ظهور سیستم­های تشخیص نفوذ (ids) شده است. امنیت شبکه در پاسخ به افزایش اطلاعات حساس، به یک موضوع اساسی در علوم کامپیوتر تبدیل ‌شده است. در پژوهش حاضر سیستم تشخیص نفوذ غیرنظارتی مبتنی بر خوشه­بندی فازی (fcm) با بهره­گیری از الگوریتم بهینه­سازی نهنگ (woa) پیشنهاد شده است و با مجموعه داده استاندارد تشخیص نفوذ 99 kdd cup مورد آزمایش قرار گرفت. در این روش به‌منظور جداسازی فعالیت­های نفوذی از فعالیت­های عادی، ﺧﻮﺷﻪ­ﺑﻨﺪﯼ c میانگین فازی مورد استفاده قرارگرفته و از الگوریتم بهینه­سازی نهنگ برای به‌دست آوردن تفکیک بهینه بین این فعالیت­ها استفاده‌ شده است. جهت کمک به fcm، از woa استفاده ‌شده است تا از مراکز خوشه­های اولیه مناسب به‌جای مراکز تصادفی استفاده کند. نتایج تجربی بر روی مجموعه داده 99kdd cup  حاکی از بهبود نرخ همگرایی، صحت و همچنین نرخ هشدار اشتباه توسط الگوریتم woafcm در قیاس با سایر روش­های غیر نظارتی می‌باشد. از همین‌رو، یافته­های پژوهش حاضر می­تواند در زمینه حل مسائل پیچیده مرتبط با ids موثر واقع شود.

Developing an Intrusion Detection System Based on Fuzzy Clustering and Whale Optimization Algorithm

Nowadays, computer networks are being widely used in the world. Due to the widespread use of the internet, computer systems are prone to information theft and this has led to the emergence of intrusion detection systems (IDS). Thus, network security has become an essential subject in computer science responding to the increase of sensitive information. The current research has used fuzzy Cmeans (FCM) and Whale optimization algorithm (WOA) to propose an unsupervised machine learning intrusion identification system and has tested it with the KDD Cup 99 standard intrusion detection dataset. In this method, fuzzy Cmeans has been applied in order to distinguish intrusive activities from normal activities and Whale optimization algorithm has been used to achieve optimal separations among these activities. In order to help FCM, the WOA has been applied to start with suitable cluster centers rather than randomly initialized centers. Experimental results on KDD Cup 99 dataset showed that the proposed method offers higher detection accuracy and a lower false alarm rate compared to other similar algorithms. Therefore, the findings of the present study would be effective in solving complex problems related to IDS.