چکیده
توسعه ی سریع و رواج و محبوبیت شبکه ی ادهاک متحرک (MANET) مسائل امنیتی زیادی را در شبکه به همراه داشته است. سامانه ی تشخیص نفوذ، یک فناوری امنیتی مؤثر که می تواند داده های مخرب در محیط شبکه های پیچیده را به خوبی تشخیص داده و امنیت شبکه ی کامپیوتری را تضمین کند. به دلیل اینکه پیچیدگی MANET، IDSهای سامانه ی تشخیص نفوذ قدیمی در این بستر مؤثر واقع نمی شوند، روش های متعددی از جمله ماشین بردار پشتیبان (SVM) به منظور تشخیص نفوذ مورد استفاده قرار گرفته اند. اکثر فناوری های موجود تلاش می کنند تا زمان اجرای کمتر و بهره وری انرژی را به همراه داشته باشند درحالیکه به نرخ تشخیص دقیق دست پیدا می کنند. به منظور غلبه برا این ایرادات و مشکلات، یک ماشین یادگیری افراطی فازی جدید مبتنی بر تحلیل مؤلفه ی اصلی (PCA-FELM) در این مقاله مطرح شده است. در درجه ی اول، ویژگی ها با استفاده از تحلیل مؤلفه ی اصلی استخراج می شوند و پس از آن ویژگی های استخراج شده با استفاده از ماشین یادگیری افراطی فازی طبقه بندی می شوند. PCA-FELM با استفاده از شبیه ساز MAT LAB اجرا می شود. PCA-FELM پیشنهادی با روش های موجود مثل DBN-IDS، GOA-SVM، و SDAE-ELM مقایسه شده و روش پیشنهادی به دقت 99.08% بالاتر از سایر روش های موجود دست می یابد. آزمایش های صورت گرفته روی رقابت ابزارهای داده کاوی و کشف دانش، مجموعه داده های KDD Cup99 نشان می دهند که روش PCA-FELM پیشنهادی نسبت به سایر تکنیک های موجود از عملکرد خیلی بهتری برخوردار هستند.
2- بررسی ادبیات پژوهشی
با توجه به تحرک و پویایی گره ها، گره های مخرب درون شبکه وجود دارند. به دلیل این نقاط ضعف، MANET به احتمال خیلی زیاد مورد حمله ی نهادهای مخرب قرار بگیرد. بنابراین، بسیاری از محققان تلاش کرده اند تا نفوذ در MANET را با استفاده از روش های یادگیری ماشین و یادگیری عمیق شناسایی کرده و تشخیص دهند. در میان این روش ها، تنها معدود روش هایی وجود دارند که در این بخش مورد بررسی قرار گرفته اند.
در سال 2019، وی، P.، [21]، یک استراتژی بهینه سازی همزمان جدید را برای تقویت ساختار DBN در بستر یک مشکل بهینه سازی مدل طبقه بندی تشخیص نفوذ مبتنی بر یک DBN (DBN-IDS) مطرح کرد. روش پیشنهادی وضعیت شبکه ی DBN در بازه ی لایه ی پنهان را با تعداد محدودی از لایه های پنهان بهینه سازی می کند.
در سال 2019، ای، Z.، و همکاران [22] یک ماشین بردار پشتیبان براساس روش بهینه سازی ملخ (GOA-SVM) را برای افزایش و تقویت دقت ماشین بردار پشتیبان (SVM) در اسکن آسیب پذیری پیشنهاد کردند. به منظور افزایش دقت ماشین بردار پشتیبان در تشخیص نفوذ، این مقاله GOA-SVN را معرفی کرده و از آن برای تشخیص نفوذ استفاده همی کند. مطابق با نتایج آزمایشی، این روش بهتر از روش های موجود عمل می کند.
در سال 2019، گائو، جی، و همکاران [23] یک سامانه ی قوی و استوار تشخیص نفوذ به شبکه براساس ماشین یادگیری افراطی (ELM) و فناوری چندنظرسنجی (MVT) را ارائه کردند. چندین شبکه ELM متفاوت را به دلیل قابلیت و توانایی آنی و واقعی ELM می توان همزمان توسعه داد. روش پیشنهادی در این مطالعه می تواند به دقت تشخیص دست پیدا کند درحالیکه از مجموعه اطلاعات گسترده در یک بازه زمانی بسیار کوتاه تر استفاده می کند.
