بررسي روش هاي يادگيري ماشين جهت تشخيص نفوذ در شبكه هاي كامپيوتري

امروزه توسعه روزافزون شبكه هاي رايانه اي و كاربرد وسيع آن در زنـدگي بشـر، لـزوم تـأمين امنيـت ايـن شبكه ها را بيش از پيش نمايان ساخته است. جهت تـأمين امنيـت از ابـزار و تجهيـزات مختلفـي اسـتفاده مي شود كه سيستم تشخيص نفوذ از جمله آنها به شمار مي رود. سيستم هـاي تشـخيص نفـوذ ، اغلـب از دو روش تشخيص سوء استفاده و تشخيص ناهنجاري به منظور تشخيص نفوذ اسـتفاده مـي كننـد . معماري هاي امروزي استفاده شده براي سيستم هاي تشخيص نفوذ، طراحان را در انتخاب نوع معماري كارايي كه بتواند قابليت اطمينان بيشتري در مورد تشخيص حملات داشته باشد با دشواري هايي مواجه كرده است و آن ها مجبور به استفاده از طرح هاي پيچيده اي براي بالا بردن توانايي اين سيستم ها براي تشخيص تهاجم ها و مصون ماندن از حملات صورت گرفته بر عليه آن ها شده اند. همچنين در دنياي امنيت امروزي، بر خلاف گذشته، ابزار هاي دفاعي مبتني بر پايگاه داده كه در آنها قوانيني براي شناسايي حملات تعريف شده است، كارايي لازم را ندارند و در تامين امنيت شبكه ها به مشكل بر خورده اند. از اين رو ابزار دفاعي مبتني بر الگوريتم هاي يادگيري ماشين كه توانايي مقابله با پيچيده ترين نوع حمله ها را دارند، مورد توجه قرار گرفته اند. از اين رو در اين مقاله به بررسي و ارزيابي روش هاي تشخيص نفوذ با استفاده از الگوريتم هاي يادگيري ماشين از جمله شبكه عصبي،مبتني بر الگو، ماشين بردار پشتيبان و مدل مخفي ماركوف و .... خواهيم پرداخت تا معيارهاي انتخاب يك سيستم تشخيص نفوذ كارا مورد ارزيابي قرار مي گيرد.