بهبود سیستم تشخیص نفوذ شبکه مبتنی بر شبکه‌های عصبی با انتخاب ویژگی‌های بهینه

امروزه امنیّت اطلاعات برای هر سازمانی برای محافظت در برابر داده‌های مخرب در دستکاری ترافیک شبکه یا نفوذ، موضوعی بسیار حیاتی است. سیستم تشخیص نفوذ یکی از نقش‌های مهم برای تشخیص داده‌ها یا اطلاعات از رفتارهای مخرب است، زیرا قادر به شناسایی حمله در محیط شبکه است. از آنجایی که بسیاری از تحقیقات بر توسعه الگوریتم‌های جدید برای بهبود مجموعه‌داده‌ها به روش‌های مختلف تمرکز می‌نمایند، در این پژوهش که از مجموعه‌داده nsl-kdd استفاده شده، ابتدا داده‌ها پیش‌پردازش و در محدوده صفر و یک نرمالسازی شده است، سپس انتخاب ویژگی با ترکیب دو روش pca و pso انجام شده است. پژوهش حاضر توانست با ترکیب الگوریتم‌های بهینه‌سازی pca و pso تعداد ویژگی‌ها را کاهش دهد و با سه ویژگی بهینه، دسته‌بند خود را آموزش دهد. برای دسته‌بندی داده‌ها از شبکه عصبی مصنوعی استفاده شده است. شبکه عصبی، یک بار ترافیک نرمال را از حمله و بار دیگر نوع حمله را تشخیص می‌دهد. در دسته‌بندی دودویی شبکه عصبی صحت، دقّت، فراخوانی و اندازه‌گیری-f را به ترتیب 98.75، 98.85، 99.35 و 99.10 درصد به دست آورده است. در تشخیص نوع حمله‌ها نیز که بالاترین مقدار برای حمله 'u2r' است، صحت، دقّت، فراخوانی و اندازه‌گیری-f به ترتیب 98.97، 98.96، 99.45 و 99.20 درصد به دست آمده است.