Overview

Wraz z szybkim rozwojem sieci komputerowych w ciągu ostatnich kilku lat, bezpieczeństwo stalo się kluczową kwestią dla nowoczesnych systemów komputerowych. Dobrym sposobem na zidentyfikowanie zlośliwego użycia jest monitorowanie nietypowej aktywności użytkownika. Aby zidentyfikowac te zlośliwe dzialania, wdrożono różne techniki eksploracji danych i uczenia maszynowego w celu wykrywania wlamań. Niniejsza książka proponuje samokonfigurujący się system wykrywania wlamań (SCIDS) do automatycznego dostrajania. Kluczową ideą jest użycie binarnego SLIPPER jako podstawowego modulu, który jest uczącym się regulą opartą na wzmocnieniu zaufania. System ten jest oceniany przy użyciu zbioru danych NSL KDD do wykrywania wlamań. Wyniki eksperymentalne pokazują, że system SCIDS z algorytmem SLIPPER zapewnia lepszą wydajnośc pod względem wskaźnika wykrywalności, wskaźnika falszywych alarmów, calkowitego kosztu blędnej klasyfikacji i kosztu na przyklad w zbiorze danych NSL-KDD niż w KDD.