یک الگوریتم پیشرفته NSGA-III برای ویژگی انتخاب در تشخیص نفوذ

ویژگی انتخاب می تواند درستی طبقه بندی را بهبود ببخشد و پیچیدگی محاسبات طبقه بندی را کاهش دهد. ویژگی های اطلاعات(دیتا) همیشه درسیستم های تشخیص نفوذ IDS ، مسئله طبقه بندی عدم توازن را در برخی طبقه بندی هایی که فقط تعداد کمی مورد (نمونه) دارند، نشان می دهند در حالی که بقیه تعداد بیشتری مورد دارند. این عدم توازن قطعا می تواند مزیت طبقه بندی را محدود کند، اما تعدادی مزیت هم دارد که به آن ها می توان اشاره کرد. در این مقاله، یک اصل برای مسئله متعدد-مجهول برای ویژگی انتخاب در IDS ، پیشنهاد می شود که از دو استراتژی با نام های یکی روش تسلط ویژه ودیگری جستجوی چند هدفه پیش تعریف شده برای ارزیابی جمعیت استفاده می کند. نه تنها این مورد می تواند بین ترافیک عادی و غیر عادی فرق قائل شود بلکه برروی نوع بی قاعدگی هم تفاوت می گذارد.بر اساس پژوهش ما، NSGA-III برای دستیابی به یک زیرمجموعه ی ویژگی کافی با عملکرد خوب، استفاده می شود.یک الگوریتم بهینه متعدد-مجهول پیشرفته I-NSGA-III بعد ا پیشنهاد می شود، که از روش نگهداری نیچه استفاده می کند؛ که شامل یک روش انتخاب ویژگی است که با کمترین ویژگی های منتخب منحصر را انتخاب می کند و همچنین شامل یک روش انتخاب مناسب است که با ماکزیمم مجموع وزن مجهولاتش منحصر را انتخاب می کند.نتایج آزمایشینشان می دهد که I-NSGA-III می تواند مشکل عدم توازن را، با استفاده از دقت طبقه بندی بالاتر برای کلاس های دارای نمونه کمتر، کم کند.علاوه بر این می تواند هم به دقت طبقه بندی بالاتر برسد و هم به پیچیدگی محاسباتی کمتر دست بیابد

کلیدواژه ها:

ویژگی انتخاب ، بهینه سازی متعدد-مجهول ، تشخیص شبکه غیر عادی