بهبود سیستم تشخیص نفوذ شبکه مبتنی بر شبکه های عصبی با انتخاب ویژگی های بهینه

امروزه امنیت اطلاعات برا ی هر سازمان ی برا ی محافظت در برابرداده های مخرب در دستکاری ترافیک شبکه یا نفوذ، موضوعی بسیارحیاتی است. سیستم تشخیص نفوذ یک ی از نقش ها ی مهم برا یتشخیص داده ها یا اطلاعات از رفتارهای مخرب است، زیرا قادر بهشناسایی حمله در محیط شبکه است. از آنجایی که بسیاری ازتحقیقات بر توسعه الگوریتم های جدید برای بهبود مجموعه داده ها بهروش های مختلف تمرکز می نمایند، در این پژوهش که ازمجموعه داده NSL-KDD استفاده شده، ابتدا داده ها پیش پردازش و در محدوده صفر و یک نرمالسازی شده است، سپس انتخاب ویژگی باترکیبی دو روش PCA و PSO انجام شده است. پژوهش حاضر توانست با ترکیب الگور یتم ها ی بهینه سازی PCA و PSO تعدادویژگی ها را کاهش دهد و با سه و یژگ ی بهینه ، دسته بند خود راآموزش دهد. برای دسته بند ی داده ها از شبکه عصبی مصنوعیاستفاده شده است. شبکه عصبی، یک بار ترافیک نرمال را از حمله وبار دیگر نوع حمله را تشخیص می دهد. در دسته بندی دودویی شبکه عصبی صحت، دقت، فراخوانی و اندازه گیری- F را به ترتیب ۹۸.۷۵، ۹۸.۸۵، ۹۹.۳۵ و ۹۹.۱۰ درصد به دست آورده است. در تشخیص نوع حمله ها نیز که بالاترین مقدار برای حمله "U۲R" است، صحت، دقت، فراخوانی و اندازه گیری -F به ترتیب ۹۸.۹۷، ۹۸/۹۶، ۹۹.۴۵ و ۹۹.۲۰ درصد به دست آمده است.