ارائه يك سيستم تشخيص نفوذ جديد مبتني بر ماشين بردار پشتيبان و بهينه‌سازي كلوني زنبور مصنوعي بهبوديافته

A Novel Intrusion Detection System Based on Support Vector Machine and Improved Artificial Bee Colony Optimization

ميزان نفوذ در شبكه در حال افزايش است. سيستم تشخيص نفوذ، مي‌تواند تا حد زيادي از حملات به شبكه جلوگيري كند. انتخاب ويژگي يك موضوع حياتي در سيستم‌هاي تشخيص نفوذ مي‌باشد كه بر روي صحت و كارايي آن تأثير بسزايي دارد. در اين تحقيق، يك سيستمِ تشخيصِ نفوذ در شبكهِ تركيبيِ جديد با استفاده از الگوريتم كلوني زنبور مصنوعي بهبوديافته مبتني بر طبقه‌بند ماشين بردار پشتيبان با روش ارزيابي 10-fold براي انتخاب بهترين ويژگي‌ها پيشنهاد گرديده است. ايده اصلي، از تركيب معادلات جستجوي بهينه‌سازي ازدحام ذرات و تكاملي تفاضلي در فاز زنبورهاي كارگر و ناظر به‌منظور به‌روزرساني موقعيت زنبورها و به‌كارگيري پرواز لوي در فاز زنبورهاي پيشاهنگ، به‌منظور بهبود بهره‌برداري و نرخ همگرايي در الگوريتم كلوني زنبور مصنوعي مي‌باشد. روش پيشنهادي مقاومت و پايداري خود را بر روي مجموعه‌داده NSL-KDD نشان داده و به‌طور قابل توجهي توانسته به بهبود عملكرد كلي سيستم تشخيص نفوذ با صحت 98/97 درصد كمك كند.

Intrusion in the network is increasing. Intrusion detection system can greatly prevent network attacks. Feature selection is a critical issue in intrusion detection systems which have a considerable impact on the accuracy and effectiveness of the system. In this study, a new hybrid network intrusion detection system with improved artificial bee colony algorithm using support vector machine classifier is proposed for feature selection. The main idea is utilizing a combination of search equations of particle swarm optimization and Differential Evolution for updating bee’s position of employed and onlooker bees and utilizing levy flight on scout bees phase, to improve exploitation and increase the convergence rate of the standard artificial bee colony algorithm. The robustness and stability of the proposed approach is evaluated on NSL-KDD dataset and showed significant improvement on the overall performance of intrusion detection system with an accuracy of 98.97 percent.