چکیده فارسی‌ :

محبوبیت استفاده از اینترنت ، برخی خطرات ناشی از حملات شبکه را در بر می گیرد. تشخیص نفوذ یک مشکل مهم تحقیقاتی در امنیت شبکه، با هدف شناسایی دسترسی های غیر معمول و یا حمله به شبکه های داخلی امن است. در ادبیات، سیستم های تشخیص نفوذ از روش های مختلف یادگیری ماشین استفاده کرده اند. با این حال، هیچ مقاله ای به بررسی و درک وضعیت فعلی استفاده از روش های یادگیری ماشین برای حل مشکلات تشخیص نفوذ نپرداخته است.

این فصل به بررسی 55 مطالعه مرتبط در دوره بین سال های 2000 و 2007 با تمرکز بر توسعه کلاسیفایرهای تک، هیبریدی (ترکیبی)، و گروهی (جمعی) می پردازد . مطالعات مربوطه توسط طراحی کلاسیفایر آنها، مجموعه داده های استفاده شده، و دیگر تنظیمات و چیدمانهای تجربی مقایسه شده است. دستاوردهای کنونی و محدودیت ها در سیستم های تشخیص نفوذ در حال توسعه توسط یادگیری ماشین ارائه و مورد بحث قرار می گیرد. تعدادی از جهت گیری های تحقیقات آینده نیز ارائه شده است.

چکیده انگلیسی :

The popularity of using Internet contains some risks of network attacks. Intrusion detection is one major research problem in network security, whose aim is to identify unusual access or attacks to secure internal networks. In literature, intrusion detection systems have been approached by various machine learning techniques. However, there is no a review paper to examine and understand the current status of using machine learning techniques to solve the intrusion detection problems. This chapter reviews 55 related studies in the period between 2000 and 2007 focusing on developing single, hybrid, and ensemble classifiers. Related studies are compared by their classifier design, datasets used, and other experimental setups. Current achievements and limitations in developing intrusion detection systems by machine learning are present and discussed. A number of future research directions are also provided.