منصة الرسائل والاطاريح: تحسين نظام كشف التسلل استنادًا إلى نموذج التعلم العميق الهجين

الخلاصة

تلعب الشبكات دورًا مهمًا في الحياة المعاصرة. الأمن السيبراني ضروري لسلامة الإنترنت على الشبكة. يتتبع نظام الأمن السيبراني المعروف باسم نظام كشف التسلل (IDS) التهديدات غير المتوقعة للأجهزة والبرامج الموجودة على الشبكة ويكشف عنها. على الرغم من وجود العديد من أنظمة كشف التسلل ، إلا أنه لا تزال هناك صعوبات في زيادة دقة اكتشاف العيوب الأمنية ، ولا توجد طرق كافية لخفض مستوى اليقظة ، واكتشاف محاولات التسلل. تعد فعالية التقنيات والأساليب المستخدمة لزيادة دقة التصنيف وتقليل أوقات التدريب والاختبار من المكونات الرئيسية لنجاح IDS. تمت معالجة القضايا المذكورة أعلاه من قبل العديد من الباحثين الذين ركزوا على بناء IDS من خلال تقنيات التعلم العميق. يمكن لتقنيات التعلم العميق التمييز بين البيانات العادية وغير الطبيعية والتعرف على البيانات من التجارب السابقة. في طريقتنا المقترحة ، نقدم طريقة قوية للتعلم العميق تعتمد على طرق الترميزالتلقائي الهجين و MLP. تم تطوير الطريقة المقترحة باستخدام تقنية Autoencoder ، وهي طريقة ناجحة لإعادة البناء بدون إشراف لتمثيل الميزات الجديدة. بعد مرحلة ما قبل التدريب ، يتم إدخال البيانات الجديدة في مصنف MLP لزيادة دقة تصنيفها وكشف التسلل. بالإضافة إلى ذلك ، تم تقييم أداء الطريقة المقترحة باستخدام مجموعات بيانات التدريب والاختبار NSL-KDD و UNSW-NB15 الكاملة للتصنيف الثنائي ومتعدد الفئات ، وتمت مقارنتها بالطرق الأخرى التي استخدمت أيضًا مجموعات البيانات هذه ، مثل CNN ، AE ، MLP و RNN و SVM و SAE-SVM. تشير النتائج إلى أن طريقتنا المقترحة سرّعت أوقات الاختبار وتفوقت على غالبية التقنيات السابقة من حيث مقاييس الأداء للتصنيف الثنائي والمتعدد الفئات. تم الحصول على معدل دقة هو 87.6٪ ، و 81.06٪ (في الفئات الثنائية والمتعددة) ، ووقت اختبار قدره 0.768 مللي ثانية و 0.647 ملي ثانية (في التصنيف الثنائي والمتعدد) لمجموعة بيانات NSL-KDD ، والحصول على 88.178٪ ، و 77.47٪ (في التصنيف الثنائي ومتعدد الفئات) ، وقت اختبار قدره 0.219 ملي ثانية و 0.203 ملي ثانية (في التصنيف الثنائي والمتعدد) لمجموعة بيانات UNSW-NB15. تعمل طريقة AE-MLP الهجينة المقترحة على تحسين اكتشاف التسلل وتقدم إستراتيجية جديدة لدراسات الكشف عن التسلل.