علوم رایانشی

علوم رایانشی

ارائه یک مدل یادگیری عمیق برای سیستم تشخیص نفوذ با استفاده از لایه هم‌آمیخت و روش تحلیل مولفه‌‌های اصلی

نوع مقاله : مقاله پژوهشی

نویسندگان
سید محمد جوادی مقدم
حسین غلامعلی نژاد
طهورا رمضانی مقدم
دانشکده مهندسی، دانشگاه بزرگمهر قائنات، قاین، ایران
10.22034/csj.2025.222120
چکیده
امنیت و پایداری شبکه‌ها نقش اساسی در دنیای ارتباطات دارد. سیستم تشخیص نفوذ یک عنصر حیاتی در شناسایی و پیشگیری از انواع تهدیدات سایبری است و از عناصر ضروری امنیت محسوب می‌شود. یکی از مشکلات روش‌های سنتی تشخیص نفوذ، وابستگی آنها به الگوهای موجود و ناتوانی در شناسایی ناهنجاری‌ها است. شبکه‌های عصبی هم‌آمیخت[1] می‌توانند الگوهای جدید و مبهم را شناسایی کرده و تعداد هشدارهای کاذب را به حداقل برسانند. این مقاله یک رویکرد جدید، بر اساس لایه هم‌آمیخت یک بعدی و لایه حذف تصادفی با روش تحلیل مؤلفه اصلی، برای حل مشکل و کمک به سیستم تشخیص نفوذ برای دستیابی به نرخ تشخیص بالاتر ارائه می‌کند. روش پیشنهادی شامل یک شبکه عمیق با شش لایة هم‌آمیخت است که از تابع فعال‌سازی MISH بعد از هر لایه هم‌آمیخت استفاده می‌کند. تحلیل مولفه‌‌های اصلی برای کاهش ابعاد ویژگی‌های ورودی و استخراج ویژگی‌های ضروری استفاده شده است. ساختار پیشنهادی با استفاده از مجموعه داده CIC-IDS2017 تجزیه‌و‌تحلیل شده است. نتایج آزمایش‌ها عملکرد بهتری را از نظر زمان تشخیص و صحت، دقت، فراخوانی و کاپاکوهن در روش پیشنهادی نسبت به ساختارها و روش‌های مشابه نشان می‌دهد. زمان تشخیص روش پیشنهادی هشت میلی ثانیه بوده است.
 
 

Convolutional neural network
کلیدواژه‌ها
تشخیص نفوذ
الگوریتم تحلیل مولفه اصلی
یادگیری عمیق
الگوریتم MISH
لایه هم‌آمیخت
موضوعات
  • Wenhua, Z., Qamar, F., Abdali, T.-A. N., Hassan, R., Jafri, S. T. A. & Nguyen, Q. N. 2023."Blockchain technology: security issues, healthcare applications, challenges and future trends," Electronics, 12, no. 3, p. 546.
  • Kumar, S., Selvi, M. & Kannan, A. 2023."A comprehensive survey on machine learning-based intrusion detection systems for secure communication in internet of things," Computational Intelligence and Neuroscience: CIN, 2023.
  • Abdulganiyu, O. H., Tchakoucht, T. A. & Saheed, Y. K. 2024. "Towards an efficient model for network intrusion detection system (IDS): systematic literature review," Wireless Networks, 30, no. 1, pp. 453-482.
  • Binbusayyis, A. 2024. "Hybrid VGG19 and 2D-CNN for intrusion detection in the FOG-cloud environment," Expert Systems with Applications, 238, p. 121758.
  • Saied, M., Guirguis, S. & Madbouly, M. 2024. "Review of artificial intelligence for enhancing intrusion detection in the internet of things," Engineering Applications of Artificial Intelligence, 127, p. 107231.
  • Srivastava, A., Addimulam, S. C., Basu, M. T., Sindhuri, B. P. & Maurya, R. K. 2024."Network Intrusion Detection System (NIDS) for WSN using Particle Swarm Optimization based Artificial Neural Network," International Journal of Intelligent Systems and Applications in Engineering, 12, no. 15s, pp. 143-150.
  • Najafi Mohsenabad H. & Tut, M. A. 2024. "Optimizing Cybersecurity Attack Detection in Computer Networks: A Comparative Analysis of Bio-Inspired Optimization Algorithms Using the CSE-CIC-IDS 2018 Dataset," Applied Sciences, 14, no. 3, p. 1044, 2024.
  • Jiao, M. 2024."Application of Random Forest Algorithm in Network Intrusion Detection of Government Affairs Departments," International Journal of Computational Intelligence and Applications, 2342003.
  • Kim, J., Shin, N., Jo, S. Y. & Kim, S. H. 2017."Method of intrusion detection using deep neural network," in 2017 IEEE international conference on big data and smart computing (BigComp), IEEE, pp. 313-316.
  • Ding Y. & Zhai, Y. 2018. "Intrusion detection system for NSL-KDD dataset using convolutional neural networks," in Proceedings of the 2018 2nd International conference on computer science and artificial intelligence, pp. 81-85.
  • Jose J., & Jose, D. V. 2023. "Deep learning algorithms for intrusion detection systems in internet of things using CIC-IDS 2017 dataset," International Journal of Electrical and Computer Engineering (IJECE), 13, no. 1, pp. 1134-1141.
  • Erlambang, M. R., Hamzah, I. W. & Dewanta, F. 2023."Machine Learning Approach for Intrusion Detection System to Mitigate Distributed Denial of Service Attack Based on Convolutional Neural Network Algorithm," eProceedings of Engineering, 9, no. 6.
  • Lin, P., Ye, K. & Xu, C.-Z. 2019. "Dynamic network anomaly detection system by using deep learning techniques," in Cloud Computing–CLOUD 2019: 12th International Conference, Held as Part of the Services Conference Federation, SCF 2019, San Diego, CA, USA, June 25–30, 2019, Proceedings 12, Springer, pp. 161-176.
  • Kim, J., Kim, J., Thu, H. L. T. & Kim, H. 2016. "Long short term memory recurrent neural network classifier for intrusion detection," in 2016 international conference on platform technology and service (PlatCon),: IEEE, pp. 1-5.
  • Shone, N., Ngoc, T. N., Phai, V. D. & Shi, Q. 2018. "A deep learning approach to network intrusion detection," IEEE transactions on emerging topics in computational intelligence, 2, no. 1, pp. 41-50.
  • Hou, T., Xing, H., Liang, X., Su, X. & Wang, Z. 2023."A Marine Hydrographic Station Networks Intrusion Detection Method Based on LCVAE and CNN-BiLSTM," Journal of Marine Science and Engineering, 11, no. 1, p. 221.
  • Yin, C., Zhu, Y., Fei, J. & He, X. 2017. A deep learning approach for intrusion detection using recurrent neural networks," Ieee Access, 5, pp. 21954-21961.
  • Roy, B. & Cheung, H. 2018."A deep learning approach for intrusion detection in internet of things using bi-directional long short-term memory recurrent neural network," in 2018 28th international telecommunication networks and applications conference (ITNAC). IEEE, pp. 1-6.
  • Qu, J. Zhang, Z. Shao, and S. Qi, "An intrusion detection model based on deep belief network," in Proceedings of the 2017 VI international conference on network, communication and computing, 2017, pp. 97-101.
  • Misra,D. 2019. "Mish: A self regularized non-monotonic activation function," arXiv preprint arXiv:1908.08681.
  • Kumar, S., et al. "A statistical analysis on KDD Cup’99 dataset for the network intrusion detection system." Applied Soft Computing and Communication Networks: Proceedings of CAN, pp. 131-157.
  • Khan, Z. I., Afzal, M. M. & Shamsi, K. N. 2024."A Comprehensive Study on CIC-IDS2017 Dataset for Intrusion Detection Systems," International Research Journal on Advanced Engineering Hub (IRJAEH), 2, no. 02, pp. 254-260.
  • Jose, J. & Jose, DV. 2023. Deep learning algorithms for intrusion detection systems in internet of things using CIC-IDS 2017 dataset. International Journal of Electrical and Computer Engineering (IJECE). Vol. 13, no. 01, pp.1134-41.