ارائه مدلی نوین جهت بهبود تشخیص نفوذ در شبکه با استفاده از روش یادگیری ماشین افزایشی در شبکه های عصبی spikingدر حال تکامل آنلاین

تشخیص نفوذ در تحقیقات سیستم های کامپیوتری با اهمیت خاصی دنبال میشود و برای کمک به مدیران امنیتی سیستم در جهت کشفنفوذ و حمله به کار گرفته میشود. اهمیت تشخیص ناهنجاری ناشی از این واقعیت است که ناهنجاری در داده ها به اطالعات مهم قابل استفاده درمجموعه ی گسترده ای از حوزه های کاربردی میباشد. روشهای تشخیص نفوذ در بسیاری از دامنه های کاربردی مورد استفاده قرار میگیرند و هردامنه نیازمند روش متفاوتی است. در این پژوهش نیز روشی برای بهبود تشخیص نفود در شبکه های رایانه ای با استفاده از داده های جریانی مبتنیبر شبکه عصبی ارائه می شود. برای ارائه روش پیشنهادی از شبکه uad-oesnn استفاده شده و دارای الیه های ورودی و خروجی است که یک نورون خروجی کاندید را برای هر کدام از دادههای جدید تولید کرده میکند. الیه ورودی این شبکه حاوی grf و نورونهای ورودی که grfهابرای فیلتر کردن داده های ورودی استفاده شده اند. در روش پیشنهادی از الگوریتم elm برای بهبود روند یادگیری شبکه uad-oesnn استفادهشده و این الگوریتم با قرارگیری مابین الیه ورودی و خروجی در شبکه uad-oesnn ارتباط بین این دوالیه را بهبود داده است. شبیه سازی روش پیشنهادی در نرم افزار matlab انجام شد. در آزمایش اول تاثیر elm در روش پیشنهادی بر اساس معیارهای دقت، بازخوانی، نمره f،ba ، mcc روی دسته بندی داده های مورد بررسی قرار گرفت و در آزمایش دوم تاثیر اندازه پارامتر wsize بر عملکرد نهایی روش پیشنهادی بررسی شد که نتایج بهینه مطلوبی نتیجه داد.

a new model for improvement anomaly detection in network by incremental learning machine in online evolving spiking neural networks

intrusion detection is followed with special importance in computer systems research and is used to help system security managers to detect intrusion and attack. the importance of anomaly detection is due to the fact that anomalies in data are important information that can be used in a wide range of application areas. intrusion detection methods are used in many application domains and each domain requires a different method. in this research, a method for improving intrusion detection in computer networks is presented using stream data based on neural network. oesnn-uad network is used to present the proposed method and it has input and output layers that produce a candidate output neuron for each new data. the input layer of this network contains grf and input neurons, which grfs are used to filter the input data. in the proposed method, the elm algorithm is used to improve the learning process of the oesnn-uad network, and this algorithm has improved the communication between the two layers by being placed between the input and output layers in the oesnn-uad network.the simulation of the proposed method was done in matlab software. in the first experiment, the effect of elm in the proposed method was investigated based on the criteria of accuracy, readability, f score, ba, mcc on data classification, and in the second experiment, the effect of the wsize parameter on the final performance of the proposed method was investigated, and the optimal results it gave a good result.