فهرست نشریات علمی دسترسی آزاد ایران

سیستم‌های تشخیص نفوذ در ترافیک شبکه با تشخیص ورودی‌های ناهنجار و حمله، امنیت شبکه‌ها را افزایش می‌دهند. الگوریتم‌های یادگیری عمیق به دلیل توانایی یادگیری ویژگی‌ها در امنیت شبکه برای داده‌های مقیاس وسیع مورد استفاده قرار می‌گیرند. از طرفی اگر داده‌های ورودی مدلی، دارای ابعاد بالا باشد به ازای هر داده، همسایگان بیشتری وجود خواهند داشت که همین امر باعث دقت بیشتر در مدل می‌شود. از اینرو در این مقاله روشی برای تبدیل داده‌های ورودی به سه بعدی ارائه شده‌است. شبکه‌های عصبی کانولوشن به طور موثر ویژگی‌های فضایی را به دست می‌آورند، شبکه‌های عصبی حافظه کوتاه-مدت بلند بهتر برای ویژگی‌های زمانی عمل می‌کنند. یکپارچه‌سازی این مدل‌ها می‌تواند قابلیت بهبود سیستم تشخیص نفوذ مقیاس وسیع را داشته باشد. یادگیری همزمان ویژگی‌های فضایی و زمانی اطلاعات برای هر مدل، امری چالش‌برانگیز است. در مدل پیشنهادی کانولوشن با حافظه طولانی کوتاه مدت دو شاخه با داده‌های سه بعدی( CLBS3 [i] )از یک کانولوشن بهبود یافته با ورودی سه بعدی برای یادگیری ویژگی‌های فضایی استفاده می‌شود. به صورت همزمان و موازی، حافظه طولانی کوتاه مدت، روابط سلسله‌مراتبی بین ویژگی‌های مختلف را یاد می‌گیرد و ویژگی‌های زمانی را استخراج می‌کند. در نهایت، رویکرد یکپارچه مدل CLBS3 از ویژگی‌های فضایی-زمانی استخراج شده برای دسته‌بندی داده‌های شبکه استفاده می‌کند. آزمون‌ها بر روی مجموعه داده‌ UNSWNB15 انجام شده است و ارزیابی عملکرد CLBS3 نشان می‌دهد که در مقایسه با روش‌های تشخیص نفوذ معاصر، مدل پیشنهادی با دقت 46/98با تعداد کمتری اشتباهات برابر 1/0 در مجموعه داده UNSWNB15 عملکرد بهتری در تشخیص نفوذ ارائه می‌دهد. [i] Convolutional neural network and Long Short Term Memory Branch Splitter with three dimensions’ data(CLBS3)