تشخیص نفوذ در شبکه‌های نرم‌افزارمحور با استفاده از یادگیری عمیق و انتخاب ویژگی مبتنی بر الگوریتم یادگیری کلاغ

سامانه‌های تشخیص نفوذ (ids) با تحلیل الگوهای ترافیک شبکه، فعالیت‌های مخرب را شناسایی می‌کنند. در حالی که طی دهه گذشته، یادگیری ماشین و یادگیری عمیق به طور گسترده در طراحی ids به کار رفته‌اند، بسیاری از چارچوب‌های مبتنی بر اینترنت اشیا همچنان به صورت متمرکز طراحی شده و فاقد مکانیزم موثر انتخاب ویژگی هستند. در این مقاله، یک چارچوب ids توزیع‌شده پیشنهاد می‌شود که در آن، سوئیچ‌های شبکه نرم‌افزارمحور (sdn) فرآیند تشخیص حمله را در دو مرحله متوالی انجام می‌دهند. در گام نخست، الگوریتم فراابتکاری یادگیری کلاغ برای کاهش ابعاد ترافیک شبکه به‌کار گرفته می‌شود. سپس، ویژگی‌های کلیدی انتخاب‌شده با استفاده از شبکه حافظه طولانی‌مدت (lstm) دسته‌بندی می‌گردند. ارزیابی روش پیشنهادی بر روی مجموعه‌داده nsl-kdd نشان می‌دهد که این روش به صحت 99٫29٪، حساسیت 99٫41٪، ویژگی 98٫30٪ و دقت 98٫36٪ دست یافته است که عملکردی بهتر از معماری‌های cnn، lstm و ترکیب‌های یادگیری عمیق مانند lstm+cnn و autoencoder+cnn دارد.

intrusion detection in software-defined networks using deep learning and crow learning-based feature selection

intrusion detection systems (ids) aim to identify malicious activities by analyzing network traffic patterns. while machine learning and deep learning have been widely adopted in ids design over the past decade, many iot-based ids frameworks remain centralized and lack effective feature selection mechanisms. this paper proposes a distributed ids framework in which software-defined networking (sdn) switches perform attack detection in two sequential phases. first, the crow learning meta-heuristic algorithm is applied to reduce traffic dimensionality. then, the selected critical features are classified using a long short-term memory (lstm) network. evaluated on the nsl-kdd dataset, the proposed method, by selecting on average 14.91 out of 41 features, achieves 99.29% accuracy, 99.41% sensitivity, 98.30% specificity, and 98.36% precision—outperforming cnn, lstm, and hybrid deep learning architectures such as lstm+cnn and autoencoder+cnn.