بررسي يك روش تركيبي جديد سيستم تشخيص نفوذ بر روي مجموعه داده هاي مختلف

تشخيص نفوذ يك مسئله طبقه‌بندي است كه در آن روش‌هاي مختلف يادگيري ماشين (ML) و داده‌كاوي (DM) براي طبقه‌بندي داده‌هاي شبكه در ترافيك عادي و حمله استفاده مي‌شود. علاوه بر اين، انواع حملات شبكه در طول سال‌ها تغيير كرد. در اين مقاله سعي شد دو مدل از سيستم‌هاي تشخيص نفوذ، باهم مقايسه شود، كه اين مدل‌ها شامل، شبكه استنتاج عصبي-فازي سازگار (ANFIS) و ماشين‌هاي بردار پشتيبان (SVM) مي‌باشند. علاوه بر اين چندين نمونه از مجموعه داده‌هاي مربوط به سيستم‌هاي تشخيص نفوذ را موردبررسي و ارزيابي قرار مي‌دهد. در ادامه، يك روش تركيبي جديد را بيان مي‌كند كه از بهينه‌سازي ازدحام ذرات (PSO) به‌منظور ايجاد تركيب دسته‌بندها براي ايجاد دقت بهتر براي تشخيص نفوذ، استفاده كرده است. نتايج آزمايش نشان مي‌دهد كه روش جديد مي‌تواند كارايي بهتري بر اساس معيارهاي مختلف ارزيابي، ارائه كند. اين مقاله مجموعه داده‌هاي مختلف را براي ارزيابي مدل IDS فهرست مي‌كند و كارايي روش تركيبي پيشنهادي بر مجموعه داده‌هاي IDS را موردبحث قرار مي‌دهد كه مي‌تواند براي استفاده از مجموعه داده‌ها براي توسعه IDS مبتني بر ML و DM كارآمد و مؤثر بوده و مورداستفاده قرار گيرد.