دوره 20، شماره 1 - ( 3-1402 )                   جلد 20 شماره 1 صفحات 144-133 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
mohammadi S, khalatbary A, Babagoli M. Propose a meta-heuristic model of intrusion detection using feature selection based on improved gray wolf optimization and random forest. JSDP 2023; 20 (1) :133-144
URL: http://jsdp.rcisp.ac.ir/article-1-1218-fa.html
محمدی شهریار، خلعتبری احمد، باباگلی مهدی. ارائه یک مدل فراابتکاری تشخیص نفوذ به کمک انتخاب ویژگی مبتنی بر بهینه سازی گرگ خاکستری بهبودیافته و جنگل تصادفی. پردازش علائم و داده‌ها. 1402; 20 (1) :133-144

URL: http://jsdp.rcisp.ac.ir/article-1-1218-fa.html

ارائه یک مدل فراابتکاری تشخیص نفوذ به کمک انتخاب ویژگی مبتنی بر بهینه سازی گرگ خاکستری بهبودیافته و جنگل تصادفی
شهریار محمدی*، احمد خلعتبری، مهدی باباگلی
خواجه نصیرالدین طوسی
چکیده:   (91 مشاهده)
پیشرفت سریع در زمینه های اینترنت و ارتباطات منجر به رشد چشمگیر شبکه های کامپیوتری، اندازه‌ی شبکه و تبادل داده شده است و همین امر زمینه را برای حملات مختلف فراهم کرده است. سیستم‌های تشخیص نفوذ نقش مهمی در امنیت شبکه‌های اینترنتی بر عهده دارند که با بازرسی ترافیک‌های شبکه از محرمانگی، یکپارچگی و در دسترس بودن شبکه محافظت می کند. مدل های تشخیص نفوذ در زمینه امنیت شبکه، مدل های پیش بینی کننده‌ای هستند که در جهت پیش‌بینی داده‌های ترافیکی نفوذ در شبکه‌ها به کار می‌روند و یکی از پرکاربردترین مدل ها در سیستم های تشخیص نفوذ مدل های مبتنی بر یادگیری ماشین می‌باشد. عدم توازن و تعادل بین دقت تشخیص و نرخ هشدار کاذب یکی از چالش های بزرگ در این زمینه محسوب می‌شود. در این مقاله برای افزایش قدرت جستجو از الگوریتم‌های فراابتکاری و جهت افزایش قدرت محاسباتی و کلاس بندی از تکنیک یادگیری ماشین استفاده می‌گردد. از این رو در این پژوهش مدلی کارا مبتنی بر الگوریتم‌های گرگ خاکستری باینری بهبودیافته و جنگل تصادفی، جهت شناسایی بهترین مجموعه ویژگی‌های ترافیک برای تشخیص و پیشگیری از حملات اینترنتی ارائه می‌گردد. جهت پیدا کردن بهترین زیر مجموعه از الگوریتم گرگ خاکستری و برای ارزیابی هر زیرمجموعه از جنگل تصادفی استفاده می‌شود. همچنین به‌منظور بهبود عملکرد گرگ خاکستری، این الگوریتم بهبود داده می‌شود. دقت حاصل شده برای طبقه بندی صحیح در روش پیشنهادی در مجموعه داده‌ها 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 می‌باشد.
شماره‌ی مقاله: 8
واژه‌های کلیدی: تشخیص نفوذ، انتخاب ویژگی، الگوریتم گرگ خاکستری بهبودیافته، جنگل تصادفی، یادگیری ماشین
متن کامل [PDF 1503 kb]   (62 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه امنیت اطلاعات
دریافت: 1400/1/3 | پذیرش: 1401/5/9 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.