سیستم تشخیص نفوذ مبتنی-بر-ناهنجاری(غیر معمول، نامتعارف)، با استفاده از تحلیل انتخاب ویژگی و ایجاد مدل کارآمد ترکیبی

به طور موثر شناسایی نفوذی شبکه نیازمند جمع‌آوری اطلاعات حساس می‌باشد. این بدان معنی است که فرد باید مقادیر زیادی از تراکنش های شبکه از جمله جزییات زیاد تراکنش های اخیر شبکه را جمع‌آوری کند. ارزیابی‌ها براساس ناهنجاری متا-اکتشافی( غیر مستدل) در تحلیل اکتشافی داده‌های تراکنش شبکه مرتبط با نفوذ، مهم هستند. این ارزیابی‌ها برای ایجاد و ارایه پیش‌بینی‌های مربوط به احتمال نفوذ مبتنی بر جزییات مشخصه موجود که در تراکنش شبکه دخالت دارند، ضروری هستند. ما توانستیم از مجموعه داده nsl – KDD، مساله دوتایی و چند کلاسه با یک سری داده آزمایشی ۲۰ % استفاده کنیم. این مقاله یک مدل هیبریدی(ترکیبی) جدید را توسعه می‌دهد که می‌تواند برای تخمین درجه آستانه نفوذ مبتنی بر ویژگی‌های بهینه داده تراکنشی شبکه که برای آموزش آماده شده‌بودند، مورد استفاده قرار گیرد. نتایج تجربی نشان داد که رویکرد ترکیبی بر کاهش پیچیدگی محاسبات و زمان درگیر در هنگام تعیین مقیاس اثر ارتباطات ویژگی، تاثیر قابل‌توجهی داشته‌است. دقت مدل پیشنهادی به ترتیب ۹۹.۸۱ % و ۹۸.۵۶ % برای کلاس دودویی و مجموعه داده چند -کلاسه nsl – KDD اندازه‌گیری شده اس

Efficiently detecting network intrusions requires the gathering of sensitive information. This means that one has to collect large amounts of network transactions including high details of recent network transactions. Assessments based on meta-heuristic anomaly are important in the intrusion related network transaction data’s exploratory analysis. These assessments are needed to make and deliver predictions related to the intrusion possibility based on the available attribute details that are involved in the network transaction. We were able to utilize the NSL-KDD data set, the binary and multiclass problem with a 20% testing dataset. This paper develops a new hybrid model that can be used to estimate the intrusion scope threshold degree based on the network transaction data’s optimal features that were made available for training. The experimental results revealed that the hybrid approach had a significant effect on the minimisation of the computational and time complexity involved w