مقاله سیستم تشخیص نفوذ شبکه بر اساس الگوریتم یادگیری ماشینNetwork Intrusion Detection System Based on Machine Learning Algorithms

چکیده فارسی:

امنیت شبکه و امنیت سیستم بالاترین اهمیت را در محیط ارتباطات داده ها در حال حاضر دارند. هکرها و مزاحمان تلاش های موفق زیادی برای ایجاد خرابی در شبکه و خدمات وب توسط نفوذ غیر مجاز انجام داده اند. تهدیدات جدید و راه حل های مرتبط برای جلوگیری از این تهدیدات همراه با تکامل سیستم های امن در حال ظهور هستند. سیستم های تشخیص نفوذ (IDS) یکی از این راه حل ها می باشد. تابع اصلی سیستم تشخیص نفوذ ، حفاظت از منابع از تهدیدات می باشد. این سیستم به تجزیه و تحلیل و پیش بینی رفتار کاربران می پردازد، و سپس این رفتارها به عنوان یک حمله یا یک رفتار طبیعی در نظر گرفته می شود. ما از نظریه مجموعه دقیق (RST) و ماشین پشتیبانی برداری (SVM) برای تشخیص نفوذ شبکه استفاده کردیم. نخست، بسته ها از شبکه ضبط می شود ، RST برای پیش پردازش داده ها استفاده می شود و ابعاد را کاهش می دهد. ویژگی های انتخاب شده توسط RST به مدل SVM برای یادگیری و آزمون فرستاده می شود. روش برای کاهش تراکم فضای داده موثر است. نتایج آزمایشات با تحلیل مؤلفه اساسی (PCA) مقایسه و RST را نمایش می دهد و طرح SVM می تواند میزان مثبت کاذب را کاهش و دقت و صحت را افزایش دهد.

چکیده انگلیسی:

Network and system security is of paramount importance in the present data communication environment. Hackers and intruders can create many successful attempts to cause the crash of the networks and web services by unauthorized intrusion. New threats and associated solutions to prevent these threats are emerging together with the secured system evolution. Intrusion Detection Systems (IDS) are one of these solutions. The main function of Intrusion Detection System is to protect the resources from threats. It analyzes and predicts the behaviours of users, and then these behaviours will be considered an attack or a normal behaviour. We use Rough Set Theory (RST) and Support Vector Machine (SVM) to detect network intrusions. First, packets are captured from the network, RST is used to pre-process the data and reduce the dimensions. The features selected by RST will be sent to SVM model to learn and test respectively. The method is effective to decrease the space density of data. The experiments compare the results with Principal Component Analysis (PCA) and show RST and SVM schema could reduce the false positive rate and increase the accuracy.