طراحي سيستم هوشمند تشخيص ناهنجاري در شبكه هاي كامپيوتري با استفاده از شبكه عصبي مصنوعيSOFM

سيستم تشخيص تهاجم يك ابزار موثر براي جلوگيري از دستيابي هاي غير مجاز به منابع شبكه مي باشد. استراتژي هاي بسيار زيادي براي تشخيص تهاجم وجود دارد. بعضي از آنها از طريق نظارت بر فعاليت هاي كاربر و بعضي ديگر با بررسي لاگ هاي سيستم يا ترافيك شبكه براي بعضي از الگوهاي ويژه عمل مي كنند. سيستم تشخيص ناهنجاري به دنبال الگوهاي غير عادي و ناهنجار در ميان داده ها مي باشد. به اين صورت كه ابتدا به توصيف رفتارهاي عادي سيسستم در حالت ايستا يا پويا مي پردازد و سپس هر گونه رويدادي كه خارج از رفتار تعريف شده باشد را تحت عنوان ناهنجاري مشخص مي كند. يك سيستم تشخيص تهاجم خوب بايد داراي ميزان تشخيص بالا و ميزان خطاي پايين باشد. اين تحقيق يك روش جديد براي طراحي سيستم تشخيص ناهنجاري با استفاده از شبكه هاي عصبي پيشنهاد مي دهد، به اين صورت كه آموزش شبكه هاي عصبي بكار رفته در آن به صورت دو مرحله اي و متوالي انجام مي شود. ما اين مدل جديد را بر روي شبكه عصبي SOFM آزمايش كرديم و كارايي آن را با مدل هايي كه فرايند آموزش در آنها به صورت يك مرحله اي مي باشد مقايسه كرديم. آزمايش ها و ارزيابي ها با استفاده از پايگاه داده KDD CUP 99 انجام شده و از تمامي ركوردهاي شبكه براي آموزش و تست شبكه استفاده شده است. نتايج نشان مي دهد كه مدل پيشنهادي بهبود قابل توجهي از نظر ميزان تشخيص و ميزان خطاي مثبت در مقايسه با سيستم ساده داشته به گونه اي كه اين سيستم همان سطح كارايي يا در مواردي بهتر در مقايسه با سيستم هاي مشابه ديگر دارد.