استخراج قواعد طبقه بندی بر اساس بهینه سازی کلونی مورچه ها (aco) برای سیستم های تشخیص نفوذ (ids)

امروزه با افزایش استفاده از اینترنت و حملات سایبری اهمیت مقاوم سازی شرکت ها و سازمان ها در مقابل حملات احتمالی به سیستم های اطلاعاتی بیشتر مورد توجه قرار می گیرد. یکی از ابزارهای امنیتی که برای این مهم مورد استفاده قرار می گیرد سیستم های تشخیص نفوذ (ids) هستند. هدف این سیستم ها تشخیص حملات یا استفاده غیر مجاز از منابع در شبکه یا یک کامپیوتر می باشد. بمنظور تولید چنین سیستم هایی روش های هوشمند بسیاری پیشنهاد و مورد آزمایش قرار گرفته است. یکی از این روش ها که در سال های اخیر بیشتر مورد توجه قرار گرفته است هوش ازدحامی(swarm intelligence) است، قابلیت خود سازماندهی و رفتار توزیع شده این روشها از جمله خصوصیاتی است که این رویکردها را برای حل مسائل تشخیص نفوذ مناسب می سازند. بهینه سازی کلونی مورچه ها (aco) بعنوان یکی از الگوریتم های موفق در حوزه هوش ازدحامی علاوه بر مسایل بهینه سازی در الگوریتم های داده کاوی نیز مورد استفاده قرار گرفته است. در این پایان نامه پیشنهاد هایی برای بهبود ant-miner که یک الگوریتم استخراج قواعد تصمیم گیری بر پایه کلونی مورچه ها می باشد ارائه شده و برای استفاده در سیستم های تشخیص نفوذ مورد آزمایش قرار گرفته است. نخست یک تابع ارزیابی قواعد جدید بمنظور افزایش دقت تصمیم گیری پیشنهاد و سپس یک روش وزندهی بمنظور مقابله با مشکلات موجود در تولید قواعد در مجموعه داد های نا متعادل (imbalance) بکار گرفته شده است. نتایج آزمایش ها نشان می دهند که پیشنهاد های ارائه شده با تکیه بر انتخاب تابع هدف مناسب و با در نظر گرفتن نا متعادل بودن مجمعوعه داده مورد آزمایش، توانسته است الگوریتم ant-miner را بعنوان یک روش استخراج پایه استخراج قوانین طبقه بندی بر پایه کلونی مورچه، در حوزه داده کاوی و تشخیص نفوذ بهبود بخشد