بهبود تشخیص نفوذ در شبکه با شناسایی ویژگی های موثر بر پایه الگوریتم های تکاملی و دسته بند ماشین بردار پشتیبان

روند رو به رشد استفاده از اینترنت و وجود نقاط آسیب پذیر در شبکه، استفاده از سیستم های تشخیص نفوذ را به عنوان یکی از مهم ترین عناصر برقراری امنیت درخور توجه قرار داده است. تشخیص نفوذ در اصل مسئله دسته بندی است و شناسایی ویژگی های موثر ازجمله موضوعات با اهمیت در دسته بندی است. در این مقاله یک روش جدید برای انتخاب ویژگی های موثر در تشخیص نفوذ در شبکه، مبتنی بر الگوریتم تخمین توزیع ارائه شده است که از درخت وابستگی احتمالاتی برای شناسایی تعاملات بین ویژگی ها استفاده می کند. به منظور ارزیابی عملکرد این الگوریتم از مجموعه داده NSL-KDD استفاده شده است که در آن، بسته ها به پنج دسته نرمال و نفوذهای نوع DOS، U2R، R2L و Prob تقسیم شده اند. عملکرد الگوریتم ارائه شده به تنهایی و به صورت ترکیبی با سایر الگوریتم های انتخاب ویژگی، مانند انتخاب پیشرو، انتخاب پسرو و الگوریتم ژنتیک، مقایسه و تاثیر پارامترهای الگوریتم، مانند اندازه جمعیت بر میزان دقت تشخیص نفوذ بررسی شده است. براساس نتایج حاصل از این تحلیل و نیز ترکیب نتایج بررسی میزان دقت درون دسته ای حاصل از به کارگیری الگوریتم های انتخاب ویژگی متفاوت، زیرمجموعه ای از ویژگی های موثر در تشخیص نفوذ شناسایی شده است.