آرزو موسوی - دانشجوی کارشناسی ارشد، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر
سعید شیری قیداری - استادیار، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر

امروزه با رشد روزافزون استفاده از سرویسهای اینترنتی و گسترش حمله های سایبری، مبحث امنیت شبکه به یکیاز نگرانی های اصلی در حوزه فناوری اطلاعات تبدیل شده است. استفاده از تکنیک های یادگیری ماشین روشی مناسببرای شناسایی نفوذ به شبکههای کامپیوتری به شمار میرود. بیشتر کارهای پیشین در تشخیص نفوذ براساس یادگیریبانظارت و به صورت برونخط عمل میکنند این درحالی است که مجموعه های داده در سیستم های تحت شبکه بهسرعت درحال تغییر و افزایش هستند و امکان دسترسی به همه ی آنها به طور همزمان برای پردازش وجود ندارد. ازطرف دیگر به علت کمبود داده های برچسب دار پیش بینی برچسب داده های جدید به صورت ضعیف انجام می شود. لذادر این مقاله با به کارگیری داده های بدون برچسب مدل جدیدی را ارائه خواهیم کرد که به صورت نیمه نظارتی دسته-بندی کننده را به روزرسانی کند. برای این منظور الگوریتم تنظیم منیفلد برخط را با پیداکردن همسایه های مشابه بهبودبخشیدیم. مقایسه روش پیشنهادی با روشهای پیشین بر روی حجم زیادی از داده NSL-KDD نشان می دهد که علاوه بر حفظ دقت بالاتر از 95 درصد نسبت به روشهای برونخط، زمان مصرفی پردازنده 25 درصد و حافظه اصلی به 94.5 مگابایت کاهش می یابد.

تشخیص نفوذ، شبکه های کامپیوتری، یادگیری نیمه نظارتی، فرض منیفلد، یادگیری برخط