زهرا همتی گشتاسب - گروه کامپیوتر ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران
جاسم جمالی - گروه برق ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران
محمدحسین پیربنیه - گروه کامپیوتر ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران

سیستمهای تشخیص نفوذ باید به طور کارا و با دقت بالا تهدیدها و حملات شبکهای را تشخیص دهند. یادگیری ماشین مبتنی بر مدلهای تشخیص نفوذ نهایت تلاش خود را جهت افزایش نرخ تشخیص به کار میبرند. مشکل داده های نامتوازن اغلب در داده های مربوط به حملات شبکه رخ میدهد که میتواند موجب کاهش دقت سیستمهای تشخیص نفوذ گردد. در این مقاله با توجه به اینکه مقدار خطای حاصل از اجماع مدلها به دلیل هم پوشانی نسبت به حالت تکی کمتر خواهد بود، روش یادگیری جمعی AdaBoost مورد بررسی قرار گرفته است. در این تحقیق برای مطالعه بر روی حملات DDOS از دو هانی نت آزمایشگاهی مجازی در دو مکان مختلف طراحی شده و همچنین از سایر مجموعه داده های علمی استفاده گردیده است ، که طبقه بندهای مختلف را مورد ارزیابی قرار دادهایم در این مرحله به کمک فنون و آزمایشهای آماری نشان داده شده که عملکرد الگوریتم طراحی شده با رای گیری وزنی پیشنهادی بر اساس الگوریتم ژنتیک نسبت به دوازده طبقه بند دیگر بهتر میباشد؟

حملات DDOS، یادگیری جمعی، الگوریتم AdaBoost، هانینت