بهبود ارزیابی تاب آوری سایبری در سیستم تشخیص نفوذ شبکه های کامپیوتری با رویکرد یادگیری ماشین

سیستمهای تشخیص نفوذ (idss) به ابزارهای مهم و پرکاربردی برای تضمین امنیت شبکه تبدیل شده‌اند. در سالهای اخیر تشخیص نفوذ بر اساس روشهای تشخیص الگوی آماری در پاسخ به تقاضای رو به رشد برای idss قابل اعتماد و هوشمند، توجهات را به خود جلب کرده است. در این پژوهش به تشخیص حملات مختلف سایبری در شبکه iot بر اساس مجموعه داده nslkdd پرداخته خواهد شد. نتایج در قالب دو بخش ارائه می گردد. در بخش نخست، با بهره گیری از الگوریتم های rso & wkwlm، ماشین بردار پشتیبان، درخت تصمیم و k-نزدیکترین همسایه، به مقایسه نتایج حاصل از اعمال این 4 الگوریتم بر روی ویژگی های انتخاب شده توسط دو الگوریتم who و pso پرداخته خواهد شد. نتایج نشان می دهد که از میان این چهار الگوریتم، به ترتیب مدل rso & wkwlm در ترکیب با الگوریتم who با دقت 90.72 درصد، ماشین بردار پشتیبان با دقت 78.43 درصد، درخت تصمیم با دقت 77.64 درصد و knn با دقت 74.5 درصد دارای بهترین عملکرد بوده اند. همچنین مشخص شد که استفاده از who دارای دقت بالاتری نسبت به pso می باشد. در گام بعد، با استفاده از شبکه gan داده ها افزایش یافته و تعداد آن ها به 400000 تراکنش و تعداد نمونه های دارای حمله به 609 افزایش می یابد.

improving cyber resilience assessment in computer network intrusion detection system with machine learning approach

intrusion detection systems (idss) have become important and widely used tools to ensure network security. in recent years, intrusion detection based on statistical pattern recognition methods has attracted attention in response to the growing demand for reliable and intelligent idss. in this research, the detection of various cyber attacks in the iot network will be done based on the nslkdd dataset. the results are presented in two parts. in the first part, by using rso & wkwlm algorithms, support vector machine, decision tree and k-nearest neighbor, the results of applying these 4 algorithms on the features selected by who and pso algorithms will be compared. . the results show that among these four algorithms, rso & wkwlm model combined with who algorithm with 90.72% accuracy, support vector machine with 78.43% accuracy, decision tree with 77.64% accuracy and knn with 74.5% accuracy have the best results. have been performance. it was also found that using who has higher accuracy than pso. in the next step, using the gan network, the data is increased and their number increases to 400,000 transactions and the number of examples with attacks increases to 609.