Construindo um Sistema de Detecção de Intrusões Eficaz Usando o Algoritmo Modificado de Agrupamento por Pico de Densidade e Redes de Crença Profunda

O aprendizado de máquina desempenha um papel importante na construção de sistemas de detecção de intrusões. No entanto, com o aumento da capacidade e da dimensão dos dados, a capacidade do aprendizado de máquina superficial está se tornando mais limitada. Neste artigo, propomos uma abordagem de agregação fuzzy usando o algoritmo modificado de agrupamento por pico de densidade (MDPCA) e redes de crença profunda (DBNs). Para reduzir o tamanho do conjunto de treinamento e o desequilíbrio das amostras, o MDPCA é usado para dividir o conjunto de treinamento em vários subconjuntos com conjuntos de atributos semelhantes. Cada subconjunto é usado para treinar seu próprio classificador sub-DBNs. Esses classificadores sub-DBN podem aprender e explorar características abstratas de alto nível, reduzir automaticamente as dimensões dos dados e realizar a classificação eficientemente. De acordo com o critério do vizinho mais próximo, os pesos de pertencimento fuzzy de cada amostra de teste em cada classificador sub-DBNs são calculados. A saída de todos os classificadores sub-DBNs é agregada com base nos pesos de pertencimento fuzzy. Resultados experimentais nos conjuntos de dados NSL-KDD e UNSW-NB15 mostram que nosso modelo proposto tem maior precisão geral, recall, precisão e F1-score do que outros métodos de classificação bem conhecidos. Além disso, o modelo proposto alcança melhor desempenho em termos de precisão, taxa de detecção e taxa de falsos positivos em comparação com os métodos de detecção de intrusões de ponta.