Genetisches Programmieren und K-nächster Nachbar klassifikatorbasiertes Intrusionserkennungsmodell

In Computernetzwerken ist die Eindringungserkennung zu einem großen Anliegen geworden. In der Netzwerksicherheit sind verschiedene traditionelle Techniken wie Eindringungsverhinderung, Kryptografie und Benutzerauthentifizierung nicht in der Lage, neuartige Angriffe zu erkennen. Ein Intrusion Detection System ist hilfreich bei der Erkennung eines ungewöhnlichen Eindringlings, der in das System eindringt oder eines legitimen Nutzers, der das System missbraucht. Das Intrusion Detection System läuft kontinuierlich im Hintergrund und warnt den Benutzer, wenn ein verdächtiges oder auffälliges Ereignis eintritt. Um diese Systeme zu implementieren, haben verschiedene Forscher zahlreiche Techniken des maschinellen Lernens eingeführt, wie Entscheidungsbäume, Support Vector Machines, künstliche neuronale Netzwerke, lineares genetisches Programmieren, genetische Algorithmen, Fuzzy-Inferenz-Systeme, regelbasierte Ansätze und deren Ensemble-Ansätze mit dem Ziel, die Daten entweder als normal oder abnormal vorherzusagen. In diesem Papier wird genetisches Programmieren mit dem K-Nearest Neighbor-Klassifikator vorgeschlagen, um ein effizientes Intrusion Detection Modell zu entwickeln. Die optimale Merkmalsauswahl erfolgt durch genetisches Programmieren, während der Datenbank-Klassifikator, der den Klassifikationsprozess durchführt, K-nächster Nachbar ist. Das Hauptziel des genetischen Programmiers ist es, K-nächster Nachbar zu unterstützen. Das experimentelle Ergebnis zeigt, dass die Validierungsgenauigkeit bei der Erkennung von Angriffen 99,6 % beträgt.