دانشگاه ملی مهارت فصلنامه علمی کارافن 2382-9796 22 1 2025 05 22 Improving Intrusion Detection Accuracy Using a Hybrid PCA-GWO and Deep Neural Network Approach بهبود دقت تشخیص نفوذ با استفاده از روش ترکیبی PCA-GWO و شبکه‌ عصبی عمیق 127 149 230650 10.48301/kssa.2025.476687.2997 FA زهرا وکیل زاده دانش آموخته گروه برق وکامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، ایران. 0009-0006-7621-121x زهرا حیدران داروغه امنیه گروه برق، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران. 0000-0002-7385-5830 ایمان ذباح گروه برق وکامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران. 0000-0003-1630-444X زینب بینایی دانشجوی دکتری، دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان ایران. 0009-0009-2796-927x Journal Article 2024 09 22 Computer networks play a vital role in communication and data exchange. However, with the expansion of these networks, the potential for cyber attacks and unauthorised access has also increased. In the real world, constant changes in traffic patterns and the emergence of new threats make the need for rapid and up-to-date training of intrusion detection models essential. Intrusions encompass illegal activities that compromise the integrity, confidentiality, and availability of organisational resources. As a critical component of network security, Intrusion Detection Systems (IDS) monitor for attacks that may go undetected by traditional firewalls. However, different types of attacks exhibit unique behaviours, and enhancing the detection of these attack types remains a significant challenge for intrusion detection models. In this research, we propose a deep learning method that incorporates dimensionality reduction and optimal feature selection. Initially, we apply Principal Component Analysis for dimensionality reduction. Subsequently, we utilize the Gray Wolf Optimisation (GWO) algorithm to select superior features. Finally, we extract key features to determine the presence of an attack and apply them to a deep Long Short-Term Memory (LSTM) network. The learning process is conducted using the NSL_KDD dataset. One of the key aspects of this research is the integration of PCA and GWO to extract the most relevant features while reducing dimensionality within the dataset. The results indicate that it is unnecessary to include all features in the learning model to detect attacks. By minimizing computational load and reducing the model's learning time, we also enhance the accuracy of attack detection. شبکه‌های کامپیوتری نقش حیاتی در ارتباطات و تبادل داده‌ها دارند. با گسترش این شبکه‌ها، شرایط برای حملات سایبری و نفوذ بیشتر فراهم شده است. در دنیای واقعی، تغییرات مداوم در الگوهای ترافیک و ظهور تهدیدات جدید، نیاز به آموزش سریع و به‌روز مدل‌های تشخیص نفوذ را اجتناب‌ناپذیر می‌کند. نفوذ شامل فعالیت‌های غیرقانونی است که سلامت اطلاعات، محرمانگی و دسترسی به منابع سازمان را به خطر می‌اندازد. سیستم‌های تشخیص نفوذ (IDS) به عنوان یکی از عوامل اصلی و مهم در امنیت شبکه، حملاتی را که توسط فایروال‌های سنتی شناسایی نمی‌شوند، رصد می‌کنند. با این حال، حملات مختلف رفتارهای خاص خود را دارند و بهبود تشخیص نوع حمله همچنان یکی از چالش‌های مدل‌های تشخیص نفوذ است. در این پژوهش، یک روش عمیق مبتنی بر کاهش ابعاد و انتخاب برترین ویژگی‌ها پیشنهاد شده است. ابتدا کاهش ابعاد توسط الگوریتم تحلیل مؤلفه اصلی (PCA) انجام می‌شود، سپس ویژگی‌های برتر توسط الگوریتم گرگ خاکستری(GWO) انتخاب شده و در نهایت ویژگی های کلیدی در تشخیص حمله بودن یا نبودن استخراج شده، و به شبکه‌ عمیق LSTM اعمال شده است. فرایند یادگیری بر روی داده‌های NSL_KDD پیاده‌سازی شده است. یکی از جنبه‌های کلیدی این تحقیق، در ترکیب PCA و GWO تجمیع قابلیت های هر کدام از این دو الگوریتم به منظور استخراج بهترین ویژگی‌ها و کاهش ابعاد در مجموعه داده‌ها است. نتایج نشان می‌دهد که برای تشخیص حملات، اعمال تمام ویژگی‌ها به مدل یادگیر الزامی نیست و با کاهش حجم بار محاسباتی، ضمن کاهش مدت زمان یادگیری مدل‌، دقت نیز در تشخیص حملات بهبود می‌یابد. https://karafan.tvu.ac.ir/article_230650_fac17759b2b8b69004711fceab1c8153.pdf