بررسی یک روش ترکیبی جدید سیستم تشخیص نفوذ بر روی مجموعه داده های مختلف

تشخیص نفوذ یک مسئله طبقه‌بندی است که در آن روش‌های مختلف یادگیری ماشین (ml) و داده‌کاوی (dm) برای طبقه‌بندی داده‌های شبکه در ترافیک عادی و حمله استفاده می‌شود. علاوه بر این، انواع حملات شبکه در طول سال‌ها تغییر کرد. در این مقاله سعی شد دو مدل از سیستم‌های تشخیص نفوذ، باهم مقایسه شود، که این مدل‌ها شامل، شبکه استنتاج عصبی-فازی سازگار (anfis) و ماشین‌های بردار پشتیبان (svm) می‌باشند. علاوه بر این چندین نمونه از مجموعه داده‌های مربوط به سیستم‌های تشخیص نفوذ را موردبررسی و ارزیابی قرار می‌دهد. در ادامه، یک روش ترکیبی جدید را بیان می‌کند که از بهینه‌سازی ازدحام ذرات (pso) به‌منظور ایجاد ترکیب دسته‌بندها برای ایجاد دقت بهتر برای تشخیص نفوذ، استفاده کرده است. نتایج آزمایش نشان می‌دهد که روش جدید می‌تواند کارایی بهتری بر اساس معیارهای مختلف ارزیابی، ارائه کند. این مقاله مجموعه داده‌های مختلف را برای ارزیابی مدل ids فهرست می‌کند و کارایی روش ترکیبی پیشنهادی بر مجموعه داده‌های ids را موردبحث قرار می‌دهد که می‌تواند برای استفاده از مجموعه داده‌ها برای توسعه ids مبتنی بر ml و dm کارآمد و موثر بوده و مورداستفاده قرار گیرد.

investigation of a new ensemble method of intrusion detection system on different data sets

intrusion detection is a classification problem in which various machine learning (ml) and data mining (dm) techniques are used to classify network data in normal traffic and attack. in addition, the types of network attacks have changed over the years. this paper tries to compare two models of intrusion detection systems, which include adaptive neuro-fuzzy inference systems (anfis) and support vector machines (svm). in addition, it examines and evaluates several instances of data sets related to intrusion detection systems. in the following, a new hybrid method is proposed that uses particle swarm optimization (pso) to create a classifier combination to provide better accuracy for intrusion detection. experimental results show that the new method can produce a better performance based on different evaluation criteria. this paper lists the different datasets for evaluating the ids model and discusses the performance of the proposed hybrid method on the ids datasets that can be used to efficiently and effectively use the datasets to develop ids based on ml and dm.