استفاده از الگوريتم كلوني مورچگان و روش يادگيري زوجي جهت طبقه‌بندي حملات در سيستم هاي تشخيص نفوذ

Using Ant Colony Algorithm and Pairwise Learning to Classify Attack in Intrusion Detection Systems

سيستم‌هاي تشخيص نفوذ براي ايجاد امنيت در شبكه‌هاي كامپيوتري پيشنهاد شده‌اند تا در صورتي كه نفوذگر از ساير تجهيزات امنيتي عبور كرد، بتواند آن را تشخيص داده و از پيش‌روي آن جلوگيري كند. يكي از مهمترين چالش ­هاي اين سيستم­ها، ابعاد بالاي داده­ هاي آن مي ­باشد. در اين تحقيق براي كاهش ابعاد داده­اي از يك الگوريتم ژنتيك ساده با طول رشته متغير استفاده مي­ كنيم. در مرحله بعد با توجه به ويژگي­هاي انتخاب شده، يك مدل فرا ابتكاري جهت طبقه­ بندي داده­ها، با استفاده از الگوريتم مورچه­ ها ارائه مي دهيم. مدل طبقه ­بندي پيشنهادي سعي در تقسيم ­بندي داده­ها به دو بخش نمونه­ هاي هنجيده و ناهنجيده دارد. جهت ارزيابي عملكرد روش پيشنهادي از پايگاه داده NSL-KDD كه نسبت به ساير داده­هاي تشخيص نفوذ از ركوردهاي واقعي­تري برخورد دار است، استفاده مي ­كنيم. نتايج حاصل از آزمايشات، عملكرد بهتر روش پيشنهادي را در مقايسه با ساير روش­هاي موجود نشان مي­ دهد.

Intrusion detection systems for security in computer networks have been proposed to be crossed if the attacker from other security equipment, able to detect it and prevent it from advancing. One of the challenges of these systems, it is high dimensional data. In this study was to reduce the dimensions of a simple genetic algorithm with the length of the string variable we use. Then, according to selected characteristics, a meta-heuristic model for data classification, using ant colony algorithm offer. Classification model proposed by trying to divide the data into two samples is Hnjydh and Nahnjydh. The proposed method for evaluating the performance of database intrusion detection NSL-KDD than other data from the records of more realistic approach is used. The results of the experiments, the proposed method has better performance compared with other existing methods show.