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) : 8
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:   (910 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]   (483 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
فهرست منابع
1. [1] I. Manzoor and N. Kumar, "A feature reduced intrusion detection system using ANN classifier," Expert Systems with Applications, vol. 88, pp. 249-257, 2017. [DOI:10.1016/j.eswa.2017.07.005]
2. [2] A. Khraisat, I. Gondal, P. Vamplew, and J. Kamruzzaman, "Survey of intrusion detection systems: techniques, datasets and challenges," Cybersecurity, vol. 2, no. 1, pp. 1-22, 2019. [DOI:10.1186/s42400-019-0038-7]
3. [3] T. A. Alamiedy, M. Anbar, Z. N. Alqattan, and Q. M. Alzubi, "Anomaly-based intrusion detection system using multi-objective grey wolf optimisation algorithm," Journal of Ambient Intelligence and Humanized Computing, pp. 1-22, 2019. [DOI:10.1007/s12652-019-01569-8]
4. [4] E.-G. Talbi, "Machine learning into metaheuristics: A survey and taxonomy of data-driven metaheuristics," 2020.
5. [5] D. Molina, J. Poyatos, J. Del Ser, S. García, A. Hussain, and F. Herrera, "Comprehensive Taxonomies of Nature-and Bio-inspired Optimization: Inspiration Versus Algorithmic Behavior, Critical Analysis Recommendations," Cognitive Computation, vol. 12, no. 5, pp. 897-939, 2020. [DOI:10.1007/s12559-020-09730-8]
6. [6] X. Gao, C. Shan, C. Hu, Z. Niu, and Z. Liu, "An adaptive ensemble machine learning model for intrusion detection," IEEE Access, vol. 7, pp. 82512-82521, 2019. [DOI:10.1109/ACCESS.2019.2923640]
7. [7] J. M. Fossaceca, T. A. Mazzuchi, and S. Sarkani, "MARK-ELM: Application of a novel Multiple Kernel Learning framework for improving the robustness of Network Intrusion Detection," Expert Systems with Applications, vol. 42, no. 8, pp. 4062-4080, 2015. [DOI:10.1016/j.eswa.2014.12.040]
8. [8] K. M. Prasad, A. R. M. Reddy, and K. V. Rao, "BIFAD: Bio-inspired anomaly based HTTP-flood attack detection," Wireless Personal Communications, vol. 97, no. 1, pp. 281-308, 2017. [DOI:10.1007/s11277-017-4505-8]
9. [9] A. A. Aburomman and M. B. I. Reaz, "A novel SVM-kNN-PSO ensemble method for intrusion detection system," Applied Soft Computing, vol. 38, pp. 360-372, 2016. [DOI:10.1016/j.asoc.2015.10.011]
10. [10] D. Arivudainambi, V. K. KA, and S. S. Chakkaravarthy, "LION IDS: A meta-heuristics approach to detect DDoS attacks against Software-Defined Networks," Neural Computing and Applications, vol. 31, no. 5, pp. 1491-1501, 2019. [DOI:10.1007/s00521-018-3383-7]
11. [11] S. Velliangiri and H. M. Pandey, "Fuzzy-Taylor-elephant herd optimization inspired Deep Belief Network for DDoS attack detection and comparison with state-of-the-arts algorithms," Future Generation Computer Systems, vol. 110, pp. 80-90, 2020. [DOI:10.1016/j.future.2020.03.049]
12. [12] A. J. Wilson and S. Giriprasad, "A Feature Selection Algorithm for Intrusion Detection System Based On New Meta-Heuristic Optimization," Journal of Soft Computing and Engineering Applications, vol. 1, no. 1, 2020.
13. [13] T. Khorram and N. A. Baykan, "Feature selection in network intrusion detection using metaheuristic algorithms," International Journal of Advanced Research, Ideas and Innovations in Technology, vol. 4, no. 4, 2018.
14. [14] Q. Al-Tashi, S. J. Abdulkadir, H. M. Rais, S. Mirjalili, and H. Alhussian, "Approaches to multi-objective feature selection: A systematic literature review," IEEE Access, vol. 8, pp. 125076-125096, 2020. [DOI:10.1109/ACCESS.2020.3007291]
15. [15] J. Cai, J. Luo, S. Wang, and S. Yang, "Feature selection in machine learning: A new perspective," Neurocomputing, vol. 300, pp. 70-79, 2018. [DOI:10.1016/j.neucom.2017.11.077]
16. [16] M. Di Mauro, G. Galatro, G. Fortino, and A. Liotta, "Supervised feature selection techniques in network intrusion detection: A critical review," Engineering Applications of Artificial Intelligence, vol. 101, p. 104216, 2021. [DOI:10.1016/j.engappai.2021.104216]
17. [17] R. Purushothaman, S. Rajagopalan, and G. Dhandapani, "Hybridizing Gray Wolf Optimization (GWO) with Grasshopper Optimization Algorithm (GOA) for text feature selection and clustering," Applied Soft Computing, vol. 96, p. 106651, 2020. [DOI:10.1016/j.asoc.2020.106651]
18. [18] E. Emary, H. M. Zawbaa, and C. Grosan, "Experienced gray wolf optimization through reinforcement learning and neural networks," IEEE transactions on neural networks and learning systems, vol. 29, no. 3, pp. 681-694, 2017. [DOI:10.1109/TNNLS.2016.2634548] [PMID]
19. [19] A. Thakkar and R. Lohiya, "Attack classification using feature selection techniques: a comparative study," Journal of Ambient Intelligence and Humanized Computing, vol. 12, no. 1, pp. 1249-1266, 2021. [DOI:10.1007/s12652-020-02167-9]
20. [20] R. Ahmadi, G. Ekbatanifard, and P. Bayat, "A Modified Grey Wolf Optimizer Based Data Clustering Algorithm," Applied Artificial Intelligence, vol. 35, no. 1, pp. 63-79, 2021. [DOI:10.1080/08839514.2020.1842109]
21. [21] A. N. Singh, J. Mrudula, R. Pandey, and S. Das, "A Comparative Study of Four Genetic Algorithm-Based Crossover Operators for Solving Travelling Salesman Problem," in Intelligent Algorithms for Analysis and Control of Dynamical Systems: Springer, 2021, pp. 33-40. [DOI:10.1007/978-981-15-8045-1_4]
22. [22] G. S. Kushwah and V. Ranga, "Optimized extreme learning machine for detecting DDoS attacks in cloud computing," Computers & Security, p. 102260, 2021. [DOI:10.1016/j.cose.2021.102260]
23. [23] K. Singh, L. Kaur, and R. Maini, "Comparison of Principle Component Analysis and Stacked Autoencoder on NSL-KDD Dataset," in Computational Methods and Data Engineering: Springer, 2021, pp. 223-241. [DOI:10.1007/978-981-15-6876-3_17]
24. [24] S. Gavel, A. S. Raghuvanshi, and S. Tiwari, "Distributed intrusion detection scheme using dual-axis dimensionality reduction for Internet of things (IoT)," The Journal of Supercomputing, pp. 1-24, 2021. [DOI:10.1007/s11227-021-03697-5]
25. [25] M. C. Belavagi and B. Muniyal, "Performance evaluation of supervised machine learning algorithms for intrusion detection," Procedia Computer Science, vol. 89, pp. 117-123, 2016. [DOI:10.1016/j.procs.2016.06.016]
26. [26] S. Shakya, "Modified Gray Wolf Feature Selection and Machine Learning Classification for Wireless Sensor Network Intrusion Detection," 2021. [DOI:10.36548/jsws.2021.2.006]
27. [27] O. Almomani, "A Hybrid Model Using Bio-Inspired Metaheuristic Algorithms for Network Intrusion Detection System," CMC-COMPUTERS MATERIALS & CONTINUA, vol. 68, no. 1, pp. 409-429, 2021. [DOI:10.32604/cmc.2021.016113]
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.