ارائه‌ یک روش برپایه ماشین‌های بردار پشتیبان برای تشخیص رخنه به شبکه‌های رایانه ای

چکیده : سیستم تشخیص نفوذ یکی از مهم ترین مسائل در تامین امنیت شبکه های کامپیوتری است. سیستم های تشخیص نفوذ در جستجوی رفتار مخرب، انحراف الگوهای طبیعی و کشف حملات به شبکههای کامپیوتری می باشند. این سیستم ها نوع ترافیک مجاز از ترافیک غیرمجاز را تشخیص می دهند. از آنجا که امروزه تکنیک های داده کاوی به منظور تشخیص نفوذ در شبکه های کامپیوتری مورد استفاده قرار می گیرند. در این تحقیق نیز، روشی مبتنی بر یادگیری ماشین جهت طراحی یک سیستم تشخیص نفوذ ارائه شده است. یکی از ویژگی های شبکه های عصبی و سیستم های یادگیری ماشین، آموزش بر اساس داده های آموزشی است. در این تحقیق برای تشخیص نفوذ از یادگیری ماشین با خاصیت یادگیری روی ویژگی ها با استفاده از تئوری راف که دارای ضریب همبستگی بیشتری است، به کار گرفته می شود. برای آموزش و ارزیابی روش پیشنهادی از مجموعه داده ی kdd cup 99 استفاده شده است. بنابراین دقت روش پیشنهادی را با الگوریتم یادگیری بر پایه ی تمام ویژگی ها، شبکه عصبی خودسازمانده و درخت تصمیم گیری مقایسه می کند. نتایج شبیه سازی نشان می دهد، سیستم پیشنهادی مبتنی بر تئوری راف دارای دقت بالا و سرعت تشخیص مناسب است.

Provida Method Based onSupport VectorMachinesForIntrusion DetectioninComputer Networks

Abstract One of the most important issues in securing computer networks is an Intrusion Detection System. Intrusion detection systems are searching for malicious behavior, deviation normal patterns and attacks on computer networks are discovered. This system recognizes the type of traffic allowed for unauthorized traffic. Since the today's data mining techniques to intrusion detection in computer networks are used. In this research is provided, a method for designing an intrusion detection system based on machine learning. One of the features of neural networks and machine learning systems, training is based on the training data. In this research is used for detecting the intrusion of machine learning to learn the features of the theory of Rough property that has a higher correlation coefficient is used. To train and evaluate has used the proposed approach the KDD CUP 99 dataset. This study, the accuracy of our method compares with featurebased learning algorithm, neural network self and decision tree. The simulation results show that the proposed system has high accuracy and speed of detection based on rough theory is right