انتخاب ویژگی و تشخیص نفوذ در شبکه‌های حسگر بی سیم با استفاده از یادگیری ماشین مفرط بدون نظارت (uelm)

امروزه سیستم های کامپیوتری مبتنی بر شبکه، نقش حیاتی در جامعه مدرن امروزی دارند و به همین علت ممکن است هدف دشمن و یا نفوذ قرار گیرند. به منظور ایجاد امنیت کامل در یک سیستم کامپیوتری متصل به شبکه، استفاده از دیوار آتش و سایر مکانیزم‌های جلوگیری از نفوذ همیشه کافی نیست و باید از سیستم های دیگری به نام سیستم های تشخیص نفوذ استفاده شود. به دلیل وجود مشخصه‌های زیاد در داده‌های مربوط به سیستم های تشخیص نفوذ، جهت استفاده از مشخصه‌های مطلوب و موثر از الگوریتم یادگیری ماشین مفرط بدون نظارت استفاده می‌شود. جهت طبقه‌بندی داده‌ها از مدل uelm و ارزیابی عملکرد روش پیشنهادی، از پایگاه داده با رکوردهای واقعی تر nsl-kdd نسبت به سایر مجموعه دادگان تشخیص نفوذ، استفاده می‌گردد. نتایج آزمایش‌ها نشان‌دهنده صحت 98.38 uelm در مقایسه با صحت 93.74 gwo است. دلیل این برتری، استفاده ازمدل مناسب در مسئله دسته‌بندی، تشخیص نفوذ، ساختار مستحکم و تعمیم‌پذیر شبکه عصبی بدون نظارت می باشد.

feature selection and intrusion detection in wireless sensor networks with unsupervised extreme learning machine (uelm)

nowadays, network-based computer systems play a vital role in today’s modern society, and for this reason, they may be the target of hostility or infiltration. in order to ensure complete security in a computer system connected to the network, using a firewall and other intrusion prevention mechanisms is not always enough. this need has led to the use of other systems called intrusion detection systems. an intrusion detection system can be considered a set of tools, methods, and documents that help identify, determine, and report unauthorized or unapproved activities on the network. intrusion detection systems are created in the form of software and hardware systems, each with its own advantages and disadvantages. due to the presence of many features in the data related to intrusion detection systems, this thesis focuses on selecting the desired and effective features using unsupervised extreme learning machine. a model for data classification is then presented using uelm. to evaluate the performance of the proposed method, the nsl-kdd database is used because it contains more realistic records than other intrusion detection datasets. the test results show that uelm achieves an accuracy of 98.38%, compared to gwo’s accuracy of 93.74%. the superiority of uelm in classification and intrusion detection problems is attributed to its robust and generalizable structure as an unsupervised neural network.