تشخيص ترافيك مخرب در شبكه هاي كامپيوتري توسط الگوريتم‌ يادگيري جمعي

Detection of Malicious Traffic in Computer Networks by Ensemble Learning

امنيت شبكه كامپيوتري در دهه‌هاي اخير اهميت فزاينده‌اي پيدا كرده است، در حالي كه سيستم تشخيص ترافيك مخرب نقش مهمي در محافظت از آن ايفا مي‌كند. تكينك‌هاي يادگيري ماشين مختلفي براي تشخيص ترافيك مخرب به كار گرفته شده است كه در ميان آنها يادگيري ماشين به عنوان يك روش موثر در نظر گرفته شده است. با اين حال، مطالعات موجود به ندرت كيفيت داده‌ها را در نظر مي گيرند، كه براي ساختن يك سيستم تشخيص ترافيك مخرب با عملكرد خوب فراتر از تكينك‌هاي يادگيري ماشين ضروري است. در اين پژوهش، ما يك روش تركيبي تشخيص ترافيك مخرب موثر بر اساس يادگيري جمعي با تعبيه ويژگي پيشنهاد مي‌كنيم. به طور خاص، تكنيك تبديل ويژگي بر روي ويژگي‌هاي اصلي براي توليد داده‌هاي جديد با كيفيت بالا پياده سازي شده است. سپس، يك طبقه‌بندي كننده يادگيري جمعي با استفاده از داده‌هاي تبديل شده براي ساخت مدل تشخيص ترافيك مخرب آموزش داده مي‌شود. آزمايش‌ها بر روي مجموعه‌ دادهCICIDS2017 در حوزه تشخيص ترافيك مخرب تأييد مي‌كند كه روش تشخيص پيشنهادي مي‌تواند عملكردهاي خوب و قوي داشته باشد و نسبت به روشهاي پيشين صحت و نرخ تشخيص بالاتري دارد.