سیستم تشخیص نفوذ مبتنی بر تکنیک انتخاب ویژگی LMDRT و ماشین یادگیری افراطی سلسله مراتبی

تشخیص صحیح حملات به سیستم هاي کامپیوتري، امري بسیار مهم است و وجود ویژگی هایی مرتبط با این حمله ها که ارتباطاتی با یکدیگر ندارند، باعث رده بندي ضعیف و محاسبات زیاد و کاهش کارایی می شود. کاهش ابعاد براي الگوریتم هاي رده بندي حملات، باعث کاهش حجم داده ها، محاسبات برروي داده ها و همچنین میزان حافظه موردنیاز الگوریتم خواهد بود و همچنین باعث افزایش سرعت نیز می شود. در این پژوهش با استفاده از ترکیب ماش ینی ادگیري افراطی سلسله مراتبی HELM با تحول نسبت هاي چگالی حاشیه لگاریتم LMDRT به عنوان تکنیک انتخاب ویژگی که به اختصار LMDRT- HELM نامیده می شود روشی جدید پیشنهاد شده که بتوان نرخ تشخیص هاي نادرست در تشخیص نفوذ به سیستم را کاهش داده و کارآیی آن را افزایش داد. در تحلیل نتایج آزمایشگاهی مشاهده شد که روش پیشنهادي برا ي مجموعه داده KDD در مقایسه با دو روش پایه مطرح شده در این مقاله با اختلاف قابل توجهی داراي عملکرد بهتري بوده است.

کلیدواژه ها:

تشخیص نفوذ ، ماشین یادگیری افراطی سلسله مراتبی ، انتخاب ویژگی ، الگوریتم LDMRT