تشخیص نفوذبرمبنای آشکارسازهای چندگانه درالگوریتم انتخاب منفی

امروزه باتوجه به رشد روزافزون استفاده ازشبکه های کامپیوتری میتوان ازامنیت به عنوان یکی ازویژگی های مهم دنیای ارتباطات نام برد برای رسیدن به امنیت تحقیقات زیادی درطول سالهای گذشته انجام شده است سیستم های تشخیص نفوذمبتنی برشبکه بهعنوان یکی ازچالشهای مهم درعرصه امنیت شبکه مطرح می باشند تاکنون الگوریتم ها و روشهای مختلفی دراین راستا ارایه شده اند یکی ازاین رویکردهای کارا دراین حوزه استفاده ازسیستم های ایمنی مصنوعی می باشد که ازعملکرد سیستم ایمنی بدن الهام گرفته است هدف این مقاله افزایش دقت درطبقه بندی حملات u2r وr2l می باشد که همواره دارای درصد دقت طبقه بندی پایینی می باشند درروش پیشنهادی مجموعه جدیدی به نام مجموعه داده غیرنرمال درگام اموزش اضافه شده است و همچنین یک تابع برازش جدید درالگوریتم ژنتیک ارایه شده است این کارمنجر به طراحی روشی نوین درطبقه بندی حملات به جای استفاده ازالگوریتم های طبقه بندی موجود شده است تمامی شبیه سازی ها برروی مجموعه داده KDDCUP99 صورت گرفته است نتایج بدست آمده ازازمایشات این تحقیق مبین افزایش دقت درتشخیص نفوذ و طبقه بندی حملات مذکور درمقایسه با کارهای پیشین می باشد

کلیدواژه ها:

شبکه های کامپیوتری ، سیستم های تشخیص نفوذ ، سیستم های ایمنی مصنوعی ، آشکارسازغیرنرمال ، U2R ، R2L