تشخیص ناهنجاری های شبکه با استفاده از روش ترکیبی سیستم دفاعی مصنوعی و یادگیری ماشین svm

با استفاده روز افزون از اینترنت و به اشتراک گذاری اطلاعات، تشخیص دسترسی غیر مجاز و همچنین نفوذ در شبکه تبدیل به یکی از اصلی ترین نگرانی های مدیران شبکه شده است. سیستم های تشخیص نفوذ (ids) عموماً جهت شناسایی و مقابله با نفوذ در سیستم های کامپیوتری پیاده سازی می شوند. در این سیستم ها از دو روش پرکاربد تشخیص ناهنجاری و تشخیص سوءاستفاده برای شناسایی نفوذ استفاده می شود. یک سیستم تشخیص ناهنجاری در ابتدا روی مثال هایی از شرایط نرمال آموزش می بیند و بعد از آن پتانسیل تشخیص حملات جدید را دارد. گرچه بسیاری از سیستم های تشخیص ناهنجاری به آسانی فعالیت های ناهنجار را تشخیص می دهند، اما اطلاعاتی سطح بالا و کاربردی برای مسئول شبکه ایجاد نمی کنند، و از طرفی دیگر تشخیص بر اساس سوءاستفاده الگو های شناخته شده را با اطلاعات کافی و جزئیات تشخیص می دهد اما توانایی تشخیص حملات جدید را ندارد. در این پایان نامه یک سیستم ترکیبی با هدف دستیابی به مزایای دو روش بیان شده بررسی خواهد شد. در ابتدا ارتباط هایی به عنوان ناهنجاری با استفاده از سیستم ais تشخیص داده می-شوند، سپس این ارتباط به عنوان یک ناهنجاری در سیستم svm طبقه بندی می شود که اطلاعات سطح بالاتری را به صورت قرار گرفتن در یک نوع کلاس خاص از آن می توان استخراج کرد. نتایج بدست آمده روی مجموعه داده مشهور kdd 1999 در این مدل پیشنهاد شده نشان از پایین بودن نرخ خطای مثبت کاذب و تشخیص حملات به خوبی یا بهتر از دیگر مدل های مطرح نشان خواهد داد.