از آنجایی که از نظر تکنیکی ایجاد سیستم های کامپیوتری بدون نقاط ضعف و شکست امنیتی عملأ غیرممکن است، امنیت به بخشی مهم و چالش برانگیزی در شبکه های کامپیوتری و سیستم های اطلاعاتی سازمانی تبدیل شده است. استفاده از سیستم های تشخیص نفوذ از راه کارهای ارائه شده موجود برای ارتقا امنیت و مقابله با نفوذگران سایبری می باشد. این سیستم ها که می توانند سخت افزاری و یا نرم افزاری باشند، کار نظارت بر شبکه کامپیوتری را در مورد فعالیتهای مخرب و یا نقض سیاستهای مدیریتی و امنیتی را انجام می دهند وگزارشهای حاصله را به بخش مدیریت شبکه ارائه می دهند. سیستمهای تشخیص نفوذ وظیفه شناسایی و تشخیص هرگونه استفاده غیرمجاز از سیستم، سوء استفاده و یا آسیب رسانی توسط هر دو دسته کاربران داخلی و خارجی را بر عهده دارند. ولی با توجه به اینکه سیستم های تشخیص نفوذ در شبکه های مورد استفاده در سازمان ها از توانایی یادگیری و ارتقای لحظه به لحظه پایگاه داده تشخیص نفوذ برخوردار نمی باشند، در مقابله با حملات جدید ضعف هایی از خود نشان می دهند. ما در این رساله تلاش می کنیم که با ادغام سیستم های تشخیص نفوذ با الگوریتم های یادگیرنده ی مستمر و تکنیک های داده کاوی امنیت را در مقابل حملات جدید افزایش دهیم. با توجه به این موضوع که الگوریتم های یادگیری و طبقه بند زیادی در حوزه هوش ماشین و داده کاوی ارائه شده است، رسیدن به یک نتیجه ی کلی برای استفاده از الگوریتم های یادگیری و طبقه بندی و ادغام آن ها با سیستم های تشخیص نفوذ کار دشواری است. بدین منظور ما قصد داریم با آموزش و آزمون الگوریتم های گوناگون با مجموعه داده هایی نظیر kdd cup 99 به یک الگوریتم واحد برسیم که ممکن است نتیجه ی ادغام چند الگوریتم متفاوت باشد، تا بتوانیم اکثر حملات را قبل از رخ دادن تشخیص دهیم.

کنترل هشدار غلط، یک امر حیاتی برای سیستم های آشکارسازی اتوماتیک می باشد. اغلب، شرایط محیط به گونه ای است که توان نویز زمینه (کلاتر) و یا حتی توزیع آن با زمان تغییر می کند. در چنین شرایطی، برای دستیابی به کارایی مفید در سیستم، ملزم به استفاده از آستانه وفقی هستیم و وفقی کردن آستانه می بایست به گونه ای باشد که سیستم خاصیت cfar (constant false alarm rate) داشته باشد. کارهای متنوعی روی آشکارسازهای cfar در کاربرد رادار انجام و ارائه گردیده است، اما کمتر کاری بر روی آشکارساز cfar با شبکه عصبی صورت گرفته است. آشکارسازی سیگنال رادار کار پیچیده ای است که عموماً بر اساس تخمین پارامترهای کلاتر می باشد. در کاربردهای واقعی، این روش ها نیاز به محاسبات آماری زیاد برای تخمین پارامترهای کلاتر دارند که تنها برای یک نوع توزیع کلاتر بهینه می باشند. ویژگی خاص این سیستم عصبی که برای آشکارسازی راداری به کار می رود و آن را از آشکارسازهای متداول متمایز می کند، این است که نیاز به محاسبات زیاد در آن از بین می رود. در این مطالعه مسئله آشکارسازی رادار را با استفاده از شبکه های عصبی مصنوعی با توزیع k از محیط، مورد توجه قرار می دهیم. الگوریتم پس انتشار در ساختار mlp برای آموزش شبکه عصبی و همچنین ساختار rbf استفاده شده است. آشکارسازهای شبکه عصبی با آشکارسازهای متداول کلاسیک مقایسه شده و نتایج شبیه سازی نشان می دهد که ساختار mlp بهتر از آشکارسازهای کلاسیک ca-cfar و os-cfar از جمله پرکاربردترین cfarها عمل می کنند.