استخدام نماذج التجميع لتصنيف الفئات المتعددة والفئات الثنائية لتحسين أنظمة كشف التسلل

السعي لاكتشاف السلوكيات غير الطبيعية داخل وخارج نظام الشبكة هو ما أدى إلى نظام يعرف بأنظمة كشف التسلل للحوسبة الناعمة، بالإضافة إلى أن العديد من الباحثين طبقوا تعلم الآلة في هذا المجال. من الواضح أن مصنفًا واحدًا بمفرده في التصنيفات يبدو من المستحيل السيطرة على المتسللين في الشبكة. هذه القيود هي ما دفعنا إلى إجراء تقليل الأبعاد بواسطة نهج اختيار الميزات القائم على الارتباط (CFS) بالإضافة إلى نموذج تجميع مصقول. تهدف الورقة إلى تحسين نظام كشف التسلل (IDS) من خلال اقتراح مصنفات CFS + Ensemble (Bagging و Adaboost) والتي تتمتع بدقة عالية، ومعدل اكتشاف حزم مرتفع، ومعدل إنذار خاطئ منخفض. تم بناء نماذج آلة تعلم التجميع مع المصنفات الأساسية (J48، Random Forest، و Reptree). تم تنفيذ التصنيف الثنائي، بالإضافة إلى التصنيف المتعدد للفئات لمجموعات بيانات KDD99 و NSLKDD، بينما تم تسمية جميع الهجمات كظاهرة وحركة مرور طبيعية. كانت تسميات الفئات تتكون من خمسة هجمات رئيسية، وهي حرمان الخدمة (DoS)، والاستقصاء، وهجمات من المستخدم إلى الجذر (U2R)، وهجمات من الجذر إلى المحلي (R2L)، وهجمات الفئة الطبيعية. أظهرت نتائج التجربة أن نموذجنا المقترح ينتج 0 معدل إنذار خاطئ (FAR) و 99.90% معدل اكتشاف (DR) لمجموعة بيانات KDD99، و 0.5% FAR و 98.60% DR لمجموعة بيانات NSLKDD عند العمل مع 6 و 13 ميزة مختارة.