Key points are not available for this paper at this time.
في مجال أمن الشبكات، هناك سعي مستمر نحو الهجمات السيبرانية التي يمكن أن تؤدي إلى شبكة غير مستقرة. علاوة على ذلك، مع بدايات غير متوقعة وزيادة استخدام الإنترنت، فإن الأنشطة الضارة في الشبكة تتزايد بسرعة. لاكتشاف الشذوذ في الشبكة، من الضروري بناء نظام قوي لكشف التسلل (IDS) يتصدى للوصول غير المصرح به إلى موارد الشبكة حتى يمكن تأمين المعلومات. مؤخرًا، تم اقتراح مجموعة من الطرق الملحوظة لتقديم علاج لكشف التسلل، ومع ذلك لا يزال من التحدي بناء نظام آمن حيث أن المهاجمين يقومون بتغيير سلوكهم لاحقًا لتجنب آلية الأمان للنظام. في العمل البحثي الحالي، تم استخدام مصنفات التعلم الآلي (ML)، وهي آلة الدعم الموجه (SVM)، الجار الأقرب (KNN)، الانحدار اللوجستي (LR)، بايز الساذج (NB)، الخلايا متعددة الطبقات (MLP)، الغابة العشوائية (RF)، مصنف الأشجار الإضافية (ETC) وشجرة القرار (DT) لتصنيف البيانات على أنها طبيعية أو متطفلة. تم تحليل أداء النموذج على أربعة مجموعات فرعية من الخصائص المستخرجة من مجموعة بيانات NSLKDD. حيث إن فعالية IDS تتحدد بأبعاد البيانات، لذلك، تم إجراء معالجة مسبقة للبيانات لإزالة السمات غير ذات الصلة من مجموعة البيانات. تكشف النتائج التجريبية أن أداء RF وETC وDT كان فوق 99% لجميع فئات الهجوم باستخدام مجموعات فرعية مختلفة من الخصائص. لذا، فإن النموذج المقترح لديه معدل توقع فعال، ويقلل أيضًا من التعقيد الحسابي عن طريق إزالة الميزات غير ذات الصلة.
أبرار وآخرون (الثلاثاء) درسوا هذا السؤال.