تشخیص نفوذ با استفاده از یادگیری جمعی در شبکه های کامپیوتری

 

امروزه، بدافزارها و همچنین تکنیک‌هایی که طراحان بدافزارها از آن‌ها استفاده می‌کنند ( مبهم سازی یا چندشکلی که در آن‌ها ویروس‌ها از لحاظ ساختاری متفاوت، اما از لحاظ توانایی یکسان هستند ) رشد چشمگیری داشته است و تشخیص حملات  با روش‌های سنتی (مبتنی بر امضا و ایستا )  به امری بسیار دشوار و پیچیده تبدیل شده است. هوش مصنوعی[۱] و به‌ویژه حوزه یادگیری ماشین[۲]، به دنبال یافتن روش‌ها و ابزار‌های مؤثر جهت رفع این مشکل می‌باشد.

 روشی که معمولاً در سیستم‌های تشخیص نفوذ به کار می‌رود، استفاده از متدهای تشخیص ناهنجاری‌های شبکه می‌باشد.  برای تشخیص دقیق باید روشی را اتخاذ کرد تا هر فعالیتی که در سیستم‌های کامپیوتری انجام می‌گیرد در سطوح چند انتزاعی مشاهده کرد و اطلاعات مرتبط را از منابع اطلاعاتی چندگانه جمع‌آوری نمود؛  روش‌های جمعی، روش‌های بسیار مناسب برای توصیف مشکلات امنیتی سیستم‌ها می‌باشند.

یادگیری جمعی فرآیندی است که در آن مدل‌های متعددی ازجمله طبقه‌بندها یا خبره‌ها به صورت راهبردی تولید و یا ترکیب می‌شوند تا به یک مشکل خاص هوش محاسباتی پاسخ دهند. الگوریتم‌های جمعی می‌توانند از بهترین و کارآمدترین سازوکارها جهت شناسایی حملات ناشناخته در شبکه باشند. لذا در این تحقیق قصد داریم تا به بررسی روش های تشخیص نفوذ بر اساس یادگیری جمعی بپردازیم.

فهرست مطالب تشخیص نفوذ 

فصل ۱: کلیات تحقیق

۱-۱- مقدمه
۱-۲- بیان مسئله
۱-۳- اهمیت و ضرورت
۱-۴- اهداف تحقیق
۱-۵- مروری بر فصول تحقیق

فصل ۲: تشخیص نفوذ

۲-۱- مقدمه
۲-۲- حملات شبکه
۲-۲-۱- انواع حملات شبکه‌ با توجه به  روش حمله
۲-۲-۲- انواع حملات شبکه‌ با توجه به حمله‌کننده
۲-۳- سیستم‌های تشخیص نفوذ
۲-۳-۱- اجزای سامانه‌های تشخیص نفوذ
۲-۳-۲- عملکرد امنیتی سیستم‌های تشخیص نفوذ
۲-۳-۳- مکمل‌های سیستم‌های تشخیص نفوذ در برقراری امنیت
۲-۴- معماری سیستم‌های تشخیص نفوذ
۵-۲- تکنیک‌های تشخیص نفوذ
۶-۲-روش تشخیص ناهنجاری
۷-۲- تکنیک‌های پاسخ
۸-۲- انواع سیستم‌های تشخیص نفوذ
۹-۲- پیشینه تحقیق

فصل ۳: یادگیری جمعی

۳-۱- مقدمه
۳-۲- روش‌های تشخیص ناهنجاری
۳-۳- روش‌های دسته‌بندی
۳-۴- الگوریتم‌های یادگیری جمعی
فصل ۴: تشخیص نفوذ با استفاده از یادگیری جمعی

۴-۱- مقدمه
۴-۲- تشخیص نفوذ با استفاده از روش جمعی بگینگ
۴-۳- تشخیص نفوذ با روش یادگیری جمعی ترکیبی SVM-kNN-PSO
۴-۴- یادگیری جمعی براساس الگوریتم ژنتیک
۴-۵- یادگیری جمعی چند-دیدگاه درتشخیص نفوذ
۴-۶- تشخیص نفوذ برمبنای الگوریتم درختی
۴-۷- تشخیص نفوذ با روش ترکیبی بوستینگ و NB
۴-۸- شناسایی حمله سخت‌افزاری با استفاده از روش جمعی بر مبنای درخت تصمیم
فصل ۵:

۵-۱- نتیجه‌گیری
۵-۲- پیشنهادات
منابع و مآخذ
پیوست‌ها

برخی از مراجع

 

•   RAD, F., REZAZADEH, F. and PARVIN, H., 2023. DETECTION OF UNKNOWN MALICIOUS NETWORK STREAMS USING ENSEMBLE LEARNING IN IMBALANCED DATA.
•   Kevric, J., Jukic, S. and Subasi, A., 2023. An effective combining classifier approach using tree algorithms for network intrusion detection. Neural Computing and Applications, 28(1), pp.1051-1058.
•   Yerima, S.Y., Sezer, S. and Muttik, I., 2021. High accuracy android malware detection using ensemble   learning. IET Information Security, 9(6), pp.313-320.
•   Marnerides, A.K., Spachos, P., Chatzimisios, P. and Mauthe, A.U., 2021, Febuary. Malware detection in the cloud under Ensemble Empirical Mode Decomposition. In Computing, Networking and Communications (ICNC), 2020 International Conference on (pp. 82-88). IEEE.
•   Kozik, R. and Choras, M., 2023, November. Adapting an Ensemble of One-Class Classifiers for a Web-Layer Anomaly Detection System. In P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC), 2015 10th International Conference on (pp. 724-729). IEEE.
•   Gaikwad, D.P. and Thool, R.C., 2023, February. Intrusion detection system using bagging ensemble method of machine learning. In Computing Communication Control and Automation (ICCUBEA), 2015 International Conference on (pp. 291-295). IEEE.
•   Sornsuwit, P. and Jaiyen, S., 2021, October. Intrusion detection model based on ensemble learning for u2r and r2l attacks. In Information Technology and Electrical Engineering (ICITEE), 2015 7th International Conference on (pp. 354-359). IEEE.