دراسة تأثير تقنيات اختيار الميزات على أداء خوارزمية الخلايا الجذعية المناعية DCA في تصنيف الهجمات في الشبكات الحاسوبية
الكلمات المفتاحية:
خوارزميات اختيار الميزات، الشبكات الحاسوبية، خوارزمية الخلايا الجذعية، مجموعة البيانات UNSW-NB15، إزالة الميزات المتكررة.الملخص
استدعى النمو الهائل في حركة مرور الشبكة traffic network والتهديدات الأمنية المرتبطة بها إلى ضرورة تطوير أنظمة لكشف وتصنيف الهجمات في الشبكات بما يقلل من تأثيرها على الأفراد والمؤسسات والمجتمعات ويضمن الأمن السيبراني.
تعتمد أنظمة التصنيف القائمة على تقنيات الذكاء الصنعي وخوارزمياته على كميات هائلة من بيانات الشبكة مما يجعل عملية اختيار مجموعة الميزات المناسبة خطوة حاسمة في تحسين كفاءة النظام ودقته وقابليته للتفسير، وذلك من خلال دورها في تقليل أبعاد مجموعة البيانات والحد من الضوضاء الموجودة فيها بالإضافة لإزالة الميزات المكررة أو غير المرتبطة بفئات التصنيف.
تدرس هذه الورقة البحثية مجموعة من تقنيات اختيار الميزات المعتمدة على التعلم الآلي Machine Learning مع خوارزمية إزالة الميزات المتكررة RFE مثل RF-RFE,SVM-RFE,LR-RFE بالإضافة للخوارزمية الجينية من خلال تطبيقها على مجموعة البيانات المعيارية UNSW-NB15 المكونة من 45ميزة متعلقة بحركة البيانات والاتصال في الشبكات الحاسوبية.
تم تحليل أداء هذه التقنيات وفعاليتها في اختيار مجموعة الميزات المثلى بحالتي 8-14 ميزة ومقارنة أداءها في تحسين دقة نماذج التصنيف من خلال اختبار نتائجها مع خوارزمية الخلايا الجذعية المناعية DCA لتحديد الأنشطة الضارة وكشف التهديدات في الشبكات.
أظهرت النتائج النهائية لهذه الدراسة أداء مميز لنموذج التصنيف مع تطبيق تقنيات اختيار الميزات بشكل ملحوظ مما يؤكد فعاليتها في تقليل الأبعاد والضوضاء وإزالة البيانات المكررة حيث حققت الخوارزمية الجينية أفضل النتائج بدقة وصلت إلى 99% باستخدام 8 ميزات فقط ومعدل إنذارات كاذبة FAR منخفض جداً وصل إلى 1.61% متفوقة بذلك على خوارزميات التعلم الآلي التي كانت خوارزمية الغابة العشوائية الأفضل بينها بدقة وصلت إلى 97.6%.
