استفاده از الگوریتم کلونی مورچگان و روش یادگیری زوجی جهت طبقه‌بندی حملات در سیستم های تشخیص نفوذ

سیستم‌های تشخیص نفوذ برای ایجاد امنیت در شبکه‌های کامپیوتری پیشنهاد شده‌اند تا در صورتی که نفوذگر از سایر تجهیزات امنیتی عبور کرد، بتواند آن را تشخیص داده و از پیش‌روی آن جلوگیری کند. یکی از مهمترین چالش های این سیستم ها، ابعاد بالای داده های آن می باشد. در این تحقیق برای کاهش ابعاد داده ای از یک الگوریتم ژنتیک ساده با طول رشته متغیر استفاده می کنیم. در مرحله بعد با توجه به ویژگی های انتخاب شده، یک مدل فراابتکاری جهت طبقه بندی داده ها، با استفاده از الگوریتم مورچه ها ارائه می دهیم. مدل طبقه بندی پیشنهادی سعی در تقسیم بندی داده ها به دو بخش نمونه های هنجیده و ناهنجیده دارد. جهت ارزیابی عملکرد روش پیشنهادی از پایگاه داده nsl-kdd که نسبت به سایر داده های تشخیص نفوذ از رکوردهای واقعی تری برخورد دار است، استفاده می کنیم. نتایج حاصل از آزمایشات، عملکرد بهتر روش پیشنهادی را در مقایسه با سایر روش های موجود نشان می دهد.

using ant colony algorithm and pairwise learning to classify attack in intrusion detection systems

intrusion detection systems for security in computer networks have been proposed to be crossed if the attacker from other security equipment, able to detect it and prevent it from advancing. one of the challenges of these systems, it is high dimensional data. in this study was to reduce the dimensions of a simple genetic algorithm with the length of the string variable we use. then, according to selected characteristics, a meta-heuristic model for data classification, using ant colony algorithm offer. classification model proposed by trying to divide the data into two samples is hnjydh and nahnjydh. the proposed method for evaluating the performance of database intrusion detection nsl-kdd than other data from the records of more realistic approach is used. the results of the experiments, the proposed method has better performance compared with other existing methods show.