ارائه یک مدل فراابتکاری تشخیص نفوذ به کمک انتخاب ویژگی مبتنی بر بهینه سازی گرگ خاکستری بهبودیافته و جنگل تصادفی

پیشرفت سریع در زمینه های اینترنت و ارتباطات منجر به رشد چشمگیر شبکه های کامپیوتری، اندازه ی شبکه و تبادل داده شده است و همین امر زمینه را برای حملات مختلف فراهم کرده است. سیستم های تشخیص نفوذ نقش مهمی در امنیت شبکه های اینترنتی بر عهده دارند که با بازرسی ترافیک های شبکه از محرمانگی، یکپارچگی و در دسترس بودن شبکه محافظت می کند. مدل های تشخیص نفوذ در زمینه امنیت شبکه، مدل های پیش بینی کننده ای هستند که در جهت پیش بینی داده های ترافیکی نفوذ در شبکه ها به کار می روند و یکی از پرکاربردترین مدل ها در سیستم های تشخیص نفوذ مدل های مبتنی بر یادگیری ماشین می باشد. عدم توازن و تعادل بین دقت تشخیص و نرخ هشدار کاذب یکی از چالش های بزرگ در این زمینه محسوب می شود. در این مقاله برای افزایش قدرت جستجو از الگوریتم های فراابتکاری و جهت افزایش قدرت محاسباتی و کلاس بندی از تکنیک یادگیری ماشین استفاده می گردد. از این رو در این پژوهش مدلی کارا مبتنی بر الگوریتم های گرگ خاکستری باینری بهبودیافته و جنگل تصادفی، جهت شناسایی بهترین مجموعه ویژگی های ترافیک برای تشخیص و پیشگیری از حملات اینترنتی ارایه می گردد. جهت پیدا کردن بهترین زیر مجموعه از الگوریتم گرگ خاکستری و برای ارزیابی هر زیرمجموعه از جنگل تصادفی استفاده می شود. همچنین به منظور بهبود عملکرد گرگ خاکستری، این الگوریتم بهبود داده می شود. دقت حاصل شده برای طبقه بندی صحیح در روش پیشنهادی در مجموعه داده ها NSL-KDD در روش گرگ خاکستری سنتی و بهبودیافته به ترتیب برابر با 97.14 و 98.97 درصد است که در مقایسه با روش های دیگر دارای دقت بالاتری می باشد.