بهبود نرخ تشخیص و کاهش مقدار FNR در سیستم تشخیص نفوذ با استفاده از ترکیب طبقه بند نزدیک ترین همسایه و شبکه عصبی

سیستم های تشخیص نفوذ IDS از مولفه های اصلی جامعه اطلاعاتی امروزی به حساب می آیند. Fnr در این سیستم ها از اهمیت بالایی برخوردار است. به دلیل اینکه امنیت سیستم با افزایش fnr کاهش می یابد. ما در این مقاله سعی داریم با استفاده از ترکیب روشهای طبقه بندی مقدار fnr در این سیستم ها را کاهش دهیم . در این مقاله سعی بر این است تا با استفاده از مزایای طبقه بند knn و ترکیب آن با شبکه عصبی ffnn مقدار fnr را کاهش داده و دقت خوبی را برای طبقه بندی بدست آوردیم. با استفاده از این روش ما به دقت 94 % و fnr ، 0.11 رسیده ایم .

کلیدواژه ها:

سیستم تشخیص نفوذ ، شبکه عصبی FFNN ، طبقه بندی نزدیک ترین همسایه knn