به سمت یک تشخیص نفوذ مبتنی بر ناهنجاری در شبکه‌های نرم‌افزاری تعریف‌شده

شبکه‌بندی تعریف‌شده نرم‌افزاری (‏SDN)‏یک الگوی جدید است که امکان توسعه برنامه‌های شبکه انعطاف‌پذیر را فراهم می‌کند. یک کنترل‌کننده SDN، که نشان‌دهنده یک نقطه کنترل متمرکز است، مسیول اجرای برنامه‌های شبکه مختلف و همچنین حفظ خدمات و عملکردهای مختلف شبکه است. انتخاب یک سیستم تشخیص نفوذ کارآمد به کاهش سربار کنترلر در حال اجرا کمک می‌کند و یک شبکه امن تری ایجاد می‌کند. در این مطالعه، ما عملکرد روش‌های تشخیص نفوذ مبتنی بر آنومالی مبتنی بر آنومالی را از نظر دقت، نرخ هشدار نادرست، دقت، یادآوری، اندازه‌گیری شده، مساحت تحت منحنی مشخصه اپراتور گیرنده، زمان اجرا و تست McNemar’s بررسی می‌کنیم. در اینجا ما بر روی روش‌های یادگیری ماشین تحت نظارت تمرکز می‌کنیم که در آن از طبقه‌بندی کننده‌های زیر استفاده می‌کنیم: درخت‌های تصمیم، ماشین یادگیری افراطی، شبکه‌های عصبی، ماشین‌های بردار پشتیبان، K همسایگی، logitboost و BaggingTrees که در آن‌ها از مجموعه داده well – KDD linear برای مقایسه عملکرد هر یک از این طبقه بندها استفاده می‌کنیم.

true