ترجمه فارسی مقاله گسترش تشخیص نفوذ شبکه با تکنیک های بهینه سازی swarm ذرات پیشرفته

چکیده

The present research investigates how to improve Network Intrusion Detection Systems (NIDS) by combining Machine Learning (ML) and Deep Learning (DL) techniques, addressing the growing challenge of cybersecurity threats. A thorough process for data preparation, comprising activities like cleaning, normalization, and segmentation into training and testing sets, lays the framework for model training and evaluation. The study uses the CSE-CIC-IDS 2018 and LITNET-2020 datasets to compare ML methods (Decision Trees, Random Forest, XGBoost) and DL models (CNNs, RNNs, DNNs, MLP) against key performance metrics (Accuracy, Precision, Recall, and F1-Score). The Decision Tree model performed better across all measures after being fine-tuned with Enhanced Particle Swarm Optimization (EPSO), demonstrating the model’s ability to detect network breaches effectively. The findings highlight EPSO’s importance in improving ML classifiers for cybersecurity, proposing a strong framework for NIDS with high precision and dependability. This extensive analysis not only contributes to the cybersecurity arena by providing a road to robust intrusion detection solutions, but it also proposes future approaches for improving ML models to combat the changing landscape of network threats.

چکیده به فارسی (ترجمه ماشینی)

تحقیق حاضر در مورد چگونگی بهبود سیستم های تشخیص نفوذ شبکه (NIDS) با ترکیب تکنیک های یادگیری ماشین (ML) و یادگیری عمیق (DL) بررسی می کند و به چالش روزافزون تهدیدات امنیت سایبری پرداخته است.یک فرآیند کامل برای تهیه داده ها ، شامل فعالیت هایی مانند تمیز کردن ، عادی سازی و تقسیم بندی در مجموعه های آموزش و آزمایش ، چارچوبی را برای آموزش و ارزیابی مدل ارائه می دهد.در این مطالعه از مجموعه داده های CSE-CIC-IDS 2018 و LITNET-2020 برای مقایسه روشهای ML (درختان تصمیم گیری ، جنگل تصادفی ، XGBOOST) و مدل های DL (CNNS ، RNNS ، DNNS ، MLP) در برابر معیارهای کلیدی عملکرد استفاده شده است (دقت ، دقت ، یادآوری ، یادآوری ، یادآوری فراخوان، و F1-Score).مدل درخت تصمیم پس از تنظیم دقیق با بهینه سازی SWARM ذرات پیشرفته (EPSO) ، در تمام اقدامات بهتر عمل کرد و توانایی مدل در تشخیص موثر نقض شبکه را نشان می دهد.این یافته ها اهمیت EPSO را در بهبود طبقه بندی کننده های ML برای امنیت سایبری برجسته می کند و یک چارچوب قوی برای NID ها با دقت و قابلیت اطمینان بالا ارائه می دهد.این تجزیه و تحلیل گسترده نه تنها با فراهم کردن راهی برای راه حل های تشخیص قوی برای نفوذ ، به عرصه امنیت سایبری کمک می کند ، بلکه رویکردهای آینده را برای بهبود مدل های ML برای مبارزه با چشم انداز در حال تغییر تهدیدهای شبکه ارائه می دهد.