کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

شناسایی نفوذ در شبکه با بهره‌گیری از رویکرد چندمدلی بر پایه مجموعه‌داده UNSW-NB15

نویسندگان :

حمیدرضا خلف باغی¹ محسن سرداری زارچی² فاطمه زارع مهرجردی³ هادی پورمحمدی⁴

1- دانشگاه میبد 2- دانشگاه میبد 3- دانشگاه میبد 4- دانشگاه میبد

کلمات کلیدی :

امنیت سایبری،تشخیص نفوذ شبکه،عدم تعادل کلاس،یادگیری عمیق

چکیده :

افزایش حجم و پیچیدگی حملات سایبری باعث شده است سامانه‌های سنتی تشخیص نفوذ مبتنی بر امضا، توان پاسخ‌گویی مؤثر به تهدیدهای نوظهور را از دست بدهند. این پژوهش یک ارزیابی جامع از مدل‌های مختلف یادگیری ماشین و یادگیری عمیق برای تشخیص نفوذ شبکه بر روی مجموعه‌داده UNSW-NB15 ارائه می‌کند. نتایج ارزیابی در دسته‌بندی دودویی نشان دادند که مدل‌های CNN یک‌بعدی ساده و XGBoost بهترین عملکرد را ارائه می‌دهند، به‌ویژه XGBoost که کارایی متعادلی را با بالاترین دقت متوازن به دست آورد. شایان ذکر است که SVM با هسته RBF، بازخوانی بسیار بالایی را حفظ کرد که برای سناریوهایی که از دست دادن حتی یک حمله هزینه‌بر است، حیاتی است. در دسته‌بندی چندکلاسه، CNN دوبعدی (نسخه ساده) عملکرد بهتری را نسبت به سایر مدل‌ها داشت و در رتبه اول قرار گرفت. تحلیل اهمیت ویژگی‌ها نقش تعیین‌کننده پارامترهای TTLرا تأیید کرد و مقایسه با پژوهش‌های سال‌های اخیر نشان داد که عملکرد حاصل، بدون تکیه بر تعادل‌سازی مصنوعی، رقابتی و پایدار است..