تشخیص نفوذ در شبکه های بی سیم با استفاده از الگوریتم های یادگیری ماشین باناظر

سیستم های تشخیص نفوذ شبکه IDSبزارهای مهمی برای محافظت از شبکه های کامپیوتری در برابرحملات سایبری مکرر و پیچیده هستند. تحقیقات زیادی برای توسعه ی سیستم های تشخیص نفوذ انجام شده است . مانند هر برنامه ی کاربردی مبتنی بر یادگیری ماشین ، در دسترس بودن مجموعه داده های با کیفیت برای آموزش و آزمایش سیستم های تشخیص نفوذ مبتنی بر یادگیری ماشین حیاتی است . اکنون یکی از مشکلات کلیدی مجموعه داده های سیستم های تشخیص نفوذ در شبکه های بی سیم ، نبود مجموعه ویژگی های استاندارد است . استفاده از مجموعه ی مفید از ویژگی های اثرگذار از مجموعه داده ها، برای هر یک از مجموعه های آموزش و آزمایش و در نتیجه ارزیابی ، توانایی مدلهای یادگیری ماشین برای تعمیم در سناریوهای مختلف شبکه ، نتایج مطلوبی خواهد داشت . این مقاله یک روش تشخیص نفوذ در شبکه های بی سیم با استفاده از الگوریتم های یادگیری ماشین با ناظر ارائه کرده است . ابتدا با چهار الگوریتم یادگیری ماشین ، روی دو مجموعه دادهی KDD Cup۹۹ و NSL-KDD ارزیابی آغاز شده است و سپس قدرت تعمیم آنها را با استفاده از یک استراتژی جدید ارزیابی بین مجموعه داده که سازگاری آنها را تخمین می زند، بررسی می کند. نتایج نشان می دهد که اکثر مدلها در طبقه بندی های ارزیابی به وسیله ی مدلهای یادگیری ماشین نتایج مطلوبی بدست آوردهاند، اما به طور متوسط ، شبکه عصبی پرسپترون چند لایه و درخت تصمیم امتیاز بهتری را نسبت سایر الگوریتم ها بدست آورده است .