%0 Journal Article %A Abbasi, Mahdi %A Afshari Haghdoost, Motahareh %T Improvement and parallelization of Snort network intrusion detection mechanism using graphics processing unit %J Signal and Data Processing %V 18 %N 1 %U http://jsdp.rcisp.ac.ir/article-1-964-fa.html %R 10.52547/jsdp.18.1.150 %D 2021 %K Network intrusion detection system, packet filter, black list, pattern matching, graphics processing unit, %X سامانه تشخیص نفوذ شبکه به‌منظور برقراری امنیت کامل در شبکه‌های رایانه‌ای به‌طور گسترده مورداستفاده قرار می‌گیرد. سامانه تشخیص نفوذ شبکه مبتنی بر امضا نسبت به نوع مبتنی بر ناهنجاری به‌دلیل نرخ هشدار اشتباه پایین‌تر، از عمومیت بالاتری برخوردار است. فرآیند تطبیق الگو در چنین دستگاهی نیازمند پردازش محاسباتی بالا است. از سوی دیگر توسعه سریع پهنای باند شبکه و سرعت‌های بالای پیوند که خود موجب از‌دست‌رفتن تعداد زیادی از بسته‌های ورودی در سامانه تشخیص نفوذ شبکه می‌‌شود، به‌عنوان عوامل کلیدی محدودکننده کارایی این نوع سامانه، آن را با چالش‌هایی روبه‌رو کرده است. Snort یک سامانه تشخیص نفوذ شبکه مبتنی بر امضا بوده که به‌دلیل متن‌باز، رایگان و سبک‌بودن بسیار پرکاربرد است. در این مقاله جهت بهبود کارایی سامانه تشخیص نفوذ شبکه snort، از ایده کلیدی فیلتر‌کردن بسته‌های غیرضروری شبکه بر اساس فهرست سیاه نشانی‌‌ها، به‌عنوان یک سازوکار پیش‌پردازش استفاده‌ شده است. یکی از چالش‌های مهم این سازوکار کاهش سرعت فیلتر‌کردن بسته‌ها، با افزایش حجم ترافیک شبکه است؛ بنابراین به‌عنوان بهبود دوم، جهت تسریع عملکرد این سامانه ارائه‌شده، نسخه موازی آن را روی بستر رمز جهت اجرا روی واحد پردازش گرافیکی ارائه کردیم. الگوریتم پیشنهادی را بر روی مجموعه‌داده DARPA در یک پردازنده گرافیکی آزمایش شد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی با تسریعی بیش از سی برابر نسبت به نسخه متوالی، باعث بهبود قابل‌توجهی در عملکرد فیلتر بسته مبتنی بر فهرست سیاه می‌‌شود. همچنین، بهره‌وری روش پیشنهادی در استفاده از منابع پردازنده گرافیکی برای اجرای موازی تشخیص نفوذ نسبت به بهترین روش موجود حدود 81 درصد بیشتر است. %> http://jsdp.rcisp.ac.ir/article-1-964-fa.pdf %P 150-135 %& 150 %! Improvement and parallelization of Snort IDS using GPU %9 Research %L A-10-537-2 %+ Bu-Ali SIna University %G eng %@ 2538-4201 %[ 2021