مدلی برای تشخیص نفوذ چندکلاسه با استفاده از یادگیری ماشین و انتخاب ویژگی سنجاقک

با افزایش خدمات شبکه‌ای، تعداد و پیچیدگی حملات در فضای سایبر افزایش‌یافته است. لذا امنیت در شبکه‌ها، سیستم‌ها و برنامه‌های کاربردی به یکی از مهم‌ترین چالش‌ها در عصر حاضر تبدیل شده‌است. سیستم‌های تشخیص نفوذ به‌عنوان یک روش دفاعی بسیار مهم برای تشخیص حملات شبکه‌ای، به‌منظور هشدار به مسئولین شبکه یا برنامه‌های کاربردی بکار می‌رود. در این پژوهش، یک مدل برای تشخیص نفوذ چند کلاسه پیشنهاد شده‌است. در روش پیشنهادی از الگوریتم سنجاقک برای انتخاب ویژگی و از الگوریتم جنگل تصادفی به‌منظور دسته‌بندی استفاده شده‌است. داده‌های بکار رفته در پژوهش، مجموعه‌داده kdd-99 بوده است و عملیات متوازن‌سازی در آن استفاده شده‌است. مسئله با الگوریتم‌های مختلف یادگیری‌ماشین و یادگیری‌عمیق مورد آزمون قرار گرفته و بهترین الگوریتم انتخاب شده‌است. مقدار صحت در روش پیشنهادی مقدار 99.83 به‌دست‌آمده است. نتایج پژوهش با نتایج چندین پژوهش دیگر که توسط محققان پیشنهاد شده مورد مقایسه قرار گرفته است و این مقایسه نشان می‌دهد که روش پیشنهادی نسبت به اکثر روش‌های دیگر دارای مقدار صحت بالاتری بوده است.

a model for multi-class intrusion detection using the dragonfly feature selection by learning on the kdd-cup99 dataset

with the increase of the network services, the number and complexity of attacks in cyberspace has increased. this problem has made network security as one of the most important challenges in the world of information technology. intrusion detection systems are used as a very important defense method to detect network attacks, to warn network security admins.this research has proposed a model for multi-class intrusion detection system. in this model, the dragonfly algorithm is used for feature selection and the random forest algorithm is used for classification. for data analysis kdd-99 dataset has been used and the balancing operation was used. the model has been tested with different machine learning and deep learning algorithms then the best algorithm has been selected. the accuracy value in the proposed method is 99.83. the results have been compared with the results of several other studies published in authoritative articles. this comparison shows that the proposed method has a higher accuracy than most other methods.