بکارگیری دسته بند نایو بیز در استخراج ویژگی های موثر و بهبود تشخیص نفوذ

پیشرفت شبکههای کامپیوتری سبب شده که امنیت به عنوان مولفهای مهم در مدیریت شبکه مورد توجه قرار گیرد. بر این اساس سیستمهای تشخیص نفوذ ب هعنوان ابزاری ارزشمند جهت حفاظت از دادهها، سیستمها و کاربران، برای کشف حمله و تشخیص مشکلات امنیتی به کمک مدیران شبکه آمدهاند. هدف این مقال هارائه ابزار تشخیص نفوذ با روشهای یادگیری ماشین است. در این مقاله انتخاب زیر مجموعه ویژگیهای موثر به صورت پیشرو مبتنی بر تئوری بیز ارائه شده که بهدلیل انتخاب ویژگیهای موثر و حذف ویژگیهای زائد و همچنین استفاده از دستهبند نایو بیز سبب افزایش دقت و سرعت در یادگیری شده است. به منظور ارزیابیعملکرد روش پیشنهادی مجموعه داده (nsl-kdd) مورد استفاده قرار گرفته و دقت روش پیشنهادی با روش fvbrm مبتنی بر تئوری بیز و fs-svmمبتنی بر الگوریتم تخمین توزیع مقایسه شده است. روش پیشنهادی قادر بوده که دقت بالاتری در دستهبندی دوکلاسه نسبت به روش fvbrm حاصل نماید.در قیاس با روش fs-svm در دستهبندی چندکلاسه، روش پیشنهادی توانسته در مورد حملاتی که تعداد کمی نمونه در مجموعه داده استاندارد داشته به خوبیعمل کرده و دقت تشخیص را به صورت قابل ملاحظهای افزایش داده و باعث بهبود دقت تشخیص دسته حملات شود.