در اين مقاله چهار روش تبديلي كاهش بعد ويژگيها براي سيستم تشخيص نفوذ مبتني بر SVM مقايسه و ارزيابي م يشود.اين چهار روش شامل تحليل مولف ههاي اساسي يا،PCA تحليل مولف ههاي مستقل يا ،ICA تحليل الگوي متمايز خطي يا LDA و نهايتا شبكه عصبيMLP م يباشد. در اين مقاله ما از داد ههاي برنامه ارزيابي تشخيص نفوذ DARPA استفاده م يكنيم كه هر يك از ركوردهاي اين پايگاه داده شامل ۴۱ ويژگي م يباشد. روش كار به اين صورت است كه ابتدا با استفاده از هر چهار روش، بعد ويژگيهاي ركوردها را به ۱۰ كاهش م يدهيم و سپس مدت زمان آموزش، آزمايش و درصد شناسائي حملات توسط سيستم تشخيص نفوذ مبتني برSVM براي ويژگيهاي مربوط به هر يك از چهار روش و نيز حالت ۴۱ ويژگي را بدست آورده و با هم مقايسه م يكنيم. مقايسه نتايج نشان داد كه تكنيكLDA زمان آزمايش و آموزش كمتري دارد و نسبت به حالت ۴۱ مولف هاي زمان آزمايش با روش مذكور حدود ۲۱ % كمتر م يباشد ضمنا با LDA سيستم تشخيص نفوذ به درصدهاي بالاتري در شناسائي حملات دست يافت. بنابراين ۱۰ ويژگي كه به روشLDA بدست آمده از روشهاي ديگر داراي اطلاعات مفيد بيشتري م يباشند و ميزان اطلاعات مفيدي كه در اين روش كاهش بعد از دست م يرود كمتر از سه روش ديگر است.

كلمات كليدي:

سيستمهاي تشخيص نفوذ، شبكه هاي كامپيوتري، كاهش بعد داده ها، تحليل مولفه هاي اساسي، تحليل مولفه هاي مستقل، تحليل الگوي متمايز خطي