کاهش هشدارهای سامانه های تشخیص نفوذ به کمک تعمیم ویژگی های حملات در حوزه داده کاوی چندبعدی

امروزه حجم حملات پیشرفته سایبری در حال افزایش است، لذا استفاده از سامانه های تشخیص نفوذ در شبکه ها امری اجتناب ناپذیر است. یکی از مشکلات عمده در استفاده این سامانه ها حجم زیاد هشدارهای تولیدشده سطح پایین است. در این مقاله یکی از روش های حوزه داده کاوی به نام استنتاج ویژگی محور، استفاده شده است. اساس این روش تعمیم داده های سطح پایین به مفاهیم سطح بالاست. با توسعه این راهبرد در حوزه حملات سایبری، حجم هشدارهای حسگرهای تشخیص نفوذ کاهش داده شده است. این کاهش نه تنها باعث اختلال در شناسایی حملات نمی شود بلکه با تمرکز بیشتر در ویژگی های  مشترک حملات باعث افزایش دقت در تشخیص حملات خواهد شد. همچنین یکی از پایه های اساسی این روش، سلسله مراتب تعمیم است که برای ویژگی های موثر در حملات طراحی شده است. از نکات بارز دیگر این مقاله، ارایه یک روش شهودی مناسب در انتخاب ویژگی ها برای تعمیم است. برای ارزیابی روش پیشنهادی از مجموعه داده جدید CICIDS2017 استفاده شده است که کاستی های مجموعه داده های قبل خود را مرتفع نموده است. نتایج بیانگر کاهش هشدارها با نرخ 99 درصد در پایین ترین سطح تعمیم و میانگین 25 % در سطوح دیگر تعمیم است. در کنار ترافیک نرمال 14 نوع حمله مختلف شناسایی شده است که حمله Dos Hulk با فراوانی 8.16% بیشترین فراوانی و حمله Heartbleed با فراوانی 0004/0% کمترین فراوانی را دارا بوده اند. از دیگر قابلیت های ارایه شده در روش پیشنهادی، امکان عملیات پردازش تحلیلی برخط و داده کاوی چندبعدی در فضای حملات سایبری به کمک حرکت در سطوح مختلف تعمیم است.