فهرست نشریات علمی دسترسی آزاد ایران

با گسترش روزافزون تهدیدات سایبری، توسعه سیستم‌های تشخیص نفوذ کارا و دقیق به یکی از چالش‌های اساسی در امنیت شبکه تبدیل شده است. در این پژوهش، عملکرد شش مدل یادگیری ماشین شامل KNN، SVM، Random Forest، Decision Tree، Logistic Regression و XGBoost در تشخیص نفوذ شبکه ارزیابی و مقایسه شده است. به‌منظور بهبود کارآیی محاسباتی و کاهش اثر ویژگی‌های غیرضروری، از دو روش کاهش ابعاد تحلیل مؤلفه‌های اصلی (PCA) و تحلیل مؤلفه‌های مستقل (ICA) استفاده گردید. مجموعه‌داده UNSW-NB15 به‌عنوان داده مرجع انتخاب شد و ارزیابی مدل‌ها با معیارهای Accuracy، Precision، Recall، F1-Score و زمان آموزش/پیش‌بینی انجام گرفت. نتایج نشان داد Random Forest و XGBoost بهترین عملکرد کلی را ارائه داده و حتی با کاهش ابعاد توسط ICA دقت بالای خود را حفظ کردند. ICA در اغلب مدل‌ها نسبت به PCA عملکرد بهتری داشت و توانست تعادل مطلوبی بین دقت و کارآیی ایجاد کند. یافته‌های این پژوهش می‌تواند به انتخاب مدل مناسب IDS بر اساس نیازهای عملیاتی، از جمله اولویت کاهش هشدارهای کاذب یا افزایش نرخ تشخیص، کمک نماید.