روشی ترکیبی برای انتخاب ویژگی مبتنی بر نظریه مجوعه‌های راف برای سیستم‌های تشخیص نفوذ

سیستم‌های تشخیص نفوذ (ids)‎ نقش اساسی در حفظ امنیت شبکه‌های کامپیوتری دارند. یکی از چالش‌های اصلی در مواجهه با عملکرد این سیستم‌ها، وجود داده‌هایی با حجم بالا و ویژگی‌های غیرمرتبط یا تکراری است که باعث کاهش دقت و افزایش زمان پردازش می‌شود. در این پژوهش، روشی ترکیبی برای انتخاب ویژگی با عنوان ‎hybrid-‎rst‎‎ پیشنهاد شده است که تلفیقی از نظریه مجموعه‌های راف ‎(rst)‎‎، اطلاعات متقابل mi)‎‎) و الگوریتم relieff‎ است. هدف‎ از ارایه این روش انتخاب موثرترین ویژگی‌ها با حفظ حداکثر توان تفکیک میان کلاس‌ها و حداقل افزونگی است. برای ارزیابی روش پیشنهادی، آزمایش‌ها بر روی دو مجموعه‌داده‌ی استاندارد ‎nsl-kdd و ‎ukm-ids‎ با بکارگیری سه طبقه‌بند rf‏، dt و ‎xgboost انجام شد. نتایج نشان می‌دهد روش hybrid-‎rst‎ در تمامی سناریوها عملکرد برتری نسبت به روش‌های کلاسیک مانند mi و relieff دارد. در مجموعه‌داده nsl-kdd، روش پیشنهادی با انتخاب 20 ویژگی به دقت‎ 99/88 ‎%‎ دست یافته و زمان آموزش را تا حدود ‎15%‎ کاهش داده است. در مجموعه‌داده ‎ukm-ids نیز روش پیشنهادی با انتخاب 19 ویژگی به دقت % 99/99‎‎‏ رسیده است. نتایج کلی نشان می‌دهد‏، روش hybrid-‎rst‎ با ایجاد تعادلی میان دقت، کارایی محاسباتی و کاهش ابعاد داده، گزینه‌ای مناسب برای پیاده‌سازی در سامانه‌های تشخیص نفوذ است.