توسعه مدلی کارآمد برای تشخیص نفوذ با استفاده از ترکیب تکنیک های کلاس بندی در داده کاوی

امروزه با گسترش کاربردهای اینترنت در شبکه های تجاری، سیستمهای پرداخت و تجارت الکترونیک ضرورت اجرای راه حل های امنیتی قدرتمند و مستحکم در مقابل تهدیدات مربوط به شبکه های رایانه ای بیش از پیش مورد توجه قرار گرفته است. در شبکه های رایانه ای، استفاده از سیستم های تشخیص نفوذ جهت جلوگیری از تهدیدات امنیتی و محافظت از اطلاعات در برابر مهاجمان از اهمیت زیادی برخورداراست. تاکنون روشهای مختلفی برای تشخیص نفوذ ارائه شده اند. در این میان رویکردهای داده کاوی و یادگیری ماشینی با توجه به توانایی بالا درتشخیص الگو از داده های بسیار زیاد و خودکارسازی فرایند تشخیص توجه زیادی را به خود جلب کرده اند. مسأله تشخیص نفوذ با استفاده از روشهای کلاس بندی در داده کاوی حل می گردد. در این میان استفاده از سیستمهای کلاس بندی با استفاده از کلاس بندهای منفرد دارای ضعفهایی می باشد. از جمله این ضعف ها می توان به پایین بودن نرخ تشخیص برای حملات با فراوانی کم ، ناپایداری در تشخیص و پیچیده بودن فرایند آموزش اشاره کرد. سیستم های کلاس بندی جمعی روشهای جدیدی هستند که با ترکیب صحیح کلاس بندهای منفرد به عنوان کلاس بند مبنا می توانند سیستم کلاسبندی ایجاد کنند که کارایی بیشتری نسبت به هرکدام از کلاس بندهای سازنده آن داشته باشند. مزایایی که به وسیله ترکیب کلاس بند های افزونه و مکمل ارائه می شود افزایش دقت ، استحکام و قابلیت تعمیم بهتر در بیشتر کاربردهاست. در این پژوهش یک سیستم تشخیص نفوذ با استفاده از سیستمهای کلاس بندی جمعی ارائه می شود تا ضمن پایداری در تشخیص و افزایش دقت تشخیص کلی بتواند در شناسایی حملات با فراوانی کم نیز کارایی بالایی نشان دهد. همچنین کاهش پیچیدگی فرایند آموزش از طریق تفکیک فضای مسأله با استفاده از خوشه بندی مجموعه داده ها مورد توجه قرار گرفته است. نتایج ارزیابی سیستم پیشنهادی برروی مجموعه داده هایی که داده های افزونه و تکراری ندارند نشان می دهد که نه تنها کارایی تشخیص کلی سیستم در مقایسه با روشهای دیگر کلاس بندی افزایش یافته بلکه دقت تشخیص نفوذ آن در حملات با فراوانی کم به طرز قابل توجهی بر سیستمهای دیگر برتری دارد. همچنین رویکرد کلاس بندی جمعی پیشنهادی در مقایسه با دو روش کلاس بندی مشهور عملکرد بهتری را در تشخیص نفوذ نشان می دهد.