fa یادگیری عمیق و یک استراتژی حساس به هزینه برای سیستم تشخیص نفوذ عمومى General پژوهشي Research نفوذها و حملات مشکلاتی حیاتی در امنیت و حریم خصوصی شبکه هستند. مطالعات زیادی در مورد تشخیص نفوذ وجود دارد که اکثر آنها از الگوریتم های سنتی داده کاوی برای تشخیص نفوذ استفاده می کنند. تشخیص نفوذ با استفاده از یادگیری عمیق یک رویکرد جدید برای امنیت سایبری است. داده های نامتعادل یکی از چالش های اصلی در تشخیص نفوذ است که در آن تعداد نمونه های برخی از کلاس ها (اکثریت) بسیار بیشتر از سایر کلاس ها (اقلیت) است که باعث افزایش نرخ طبقه بندی نادرست برای کلاس های اقلیت می شود و مدل ایجاد شده به سمت اکثریت می رود. کلاس اگرچه برخی از مطالعات سعی کرده اند با استفاده از تکنیک های نمونه گیری مجدد به این موضوع بپردازند، اما موثر نیستند. این تحقیق از یادگیری عمیق استفاده می کند که مراحل طبقه بندی و استخراج خودکار ویژگی را ترکیب می کند. برخلاف رویکردهای قبلی، روش پیشنهادی به مشکل عدم تعادل کلاس در طول آموزش مدل می‌پردازد. مکانیسم توسعه‌یافته از یک استراتژی یادگیری حساس به هزینه استفاده می‌کند و هزینه‌ای را برای هر طبقه‌بندی اشتباه بر اساس توزیع کلاس تعیین می‌کند. این هزینه ها در طول آموزش زمانی در نظر گرفته می شوند که طبقه بندی های نادرستی برای تناسب با داده ها وجود داشته باشد. کارایی روش طراحی شده با استفاده از معیارهای مختلفی مانند دقت، یادآوری، دقت و امتیاز F1 با همان روش ارزیابی می‌شود. آزمایش‌ها نشان داده‌اند که روش پیشنهادی می‌تواند عملکرد طبقه‌بندی را به طور متوسط 3٪ بهبود بخشد. <span style="font-size:12pt"><span new="" roman="" style="font-family:" times=""><span style="font-size:9.0pt">Intrusions and attacks are critical problems in network security and privacy. There are many studies on intrusion detection, most of which use traditional data mining algorithms to detect intrusion. Intrusion detection using deep learning is a new approach to cyber security. Unbalanced data is one of the major challenges in intrusion detection in which the number of samples of some classes (majority) is much higher than other classes (minority) which increases the rate of incorrect classifications for minority classes and the created model tends towards the majority class. Although some studies have tried to address this issue by using resampling techniques, they are not effective. This research uses deep learning that combines the phases of classification and automatic feature extraction. Unlike previous approaches, the proposed method addresses the class imbalance problem during model training. The developed mechanism uses a cost-sensitive learning strategy and determines a cost for each misclassification based on the class distribution. These costs are considered during training when there are incorrect classifications to fit the data. The efficiency of the designed approach is assessed using different criteria such as accuracy, recall, precision, and F1-Score by the same method. Experiments have shown that the proposed method can improve the classification performance by an average of 3%.</span></span></span><br> &nbsp; تشخیص نفوذ, داده های نامتعادل, یادگیری عمیق, یادگیری حساس به هزینه Intrusion detection, Imbalanced data, Deep learning, Cost-sensitive learning 50 58 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-1-2&slc_lang=fa&sid=1 Maryam Pournagdi مریم پورنقدی 100319475328460096 100319475328460096 Yes دانشگاه آزاد اسلامی همدان