مروری بر رویکردهای انتخاب ویژگی و طبقه بندی در سیستم های تشخیص نفوذ

مروری بر رویکردهای انتخاب ویژگی و طبقه بندی در سیستم های تشخیص نفوذ

سیستم تشخیص نفوذ دستگاه یا برنامه نرم افزاری است که شبکه یا سیستم ها را از نظر فعالیت های مخرب یا نقض خط مشی ها کنترل می کند. یکی از چالش های مهم در این زمینه، تشخیص درست حالت نرمال و حمله در سیستم می باشد. داده ها به طور کلی به دو دسته حمله و نرمال تقسیم می شوند.

پژوهش های بسیاری در زمینه سیستم های تشخیص نفوذ میتنی بر روش های یادگیری ماشین و یادگیری عمیق صورت گرفته است. روش های صورت گرفته با وجود داشتن مزایایی که به همراه داشته اند به دلایلی از جمله پیچیدگی محاسباتی، زمان اجرای طولانی و دیگر موارد قادر به رسیدن به دقت مطلوب در سیستم های تشخیص نفوذ نبوده اند.

همچنین به دلیل تنوع وپیچیدگی حملات جدید افزایش دقت تشخیص همچنان به عنوان یک چالش باقی مانده است. دراین تحقیق به بررسی تکنیک های یادگیری ماشین و یادگیری عمیق در زمینه افزایش دقت سیستم های تشخیص نفوذ پرداخته ایم. نشان داده ایم که ترکیب این دو تکنیک در کنار روش های پیش پردازش و انتخاب ویژگی می توان دقت را در سیستم های تشخیص نفوذ افزایش داد. همچنین بیشترین مجموعه داده مورد استفاده در سیستم های تشخیص نفوذ nsl-kdd و ابزار پیاده سازی پایتون می باشد.