RT - Journal Article T1 - Optimizing the detection of SQL injection attacks using a combination of random forest and genetic algorithms JF - ic4ijo YR - 2021 JO - ic4ijo VO - 5 IS - 1 UR - http://ic4i-journal.ir/article-1-201-fa.html SP - 87 EP - 98 K1 - Random forest algorithm K1 - Genetic algorithm K1 - SQL injection attack K1 - Database intrusion detection system AB - علی­رغم تمام تلاش متخصصان امنیتی برای کشف حملات تزریق SQL، اما بر اساس گزارش OWASP، کماکان حمله تزریق SQL به­عنوان مهم­ترین و زیان­بارترین حمله سایبری توسط مهاجمین مورد استفاده قرار می­گیرد. به­منظور تشخیص حملات از دو روش مبتنی بر امضاء و مبتنی بر رفتار استفاده می­شود. روش­های مبتنی بر امضاء برای حملات شناخته ‌شده کاربرد دارند و روش­های مبتنی بر رفتار برای تشخیص حملات ناشناخته مناسب هستند. از آنجایی ‌که حملات به روش­های مختلفی پیاده­سازی می­شوند سیستم­های تشخیص نفوذ مبتنی بر رفتار، کاربرد بیشتری دارند. رفتار را می‌توان با استفاده از روش­هایی مانند طبقه­بندی، خوشه­بندی و غیره تحلیل کرد. یکی از مهم­ترین الگوریتم­های طبقه­بندی، الگوریتم جنگل تصادفی است که دقت بالایی دارد و از طرفی پیاده­سازی و تفسیر نتایج با استفاده از این الگوریتم به ‌سادگی قابل انجام است. با توجه به بررسی­های انجام ‌شده دقت الگوریتم جنگل تصادفی به‌شدت وابسته به پارامترهای ورودی آن است. این پارامترها شامل ۹ مورد ازجمله تعداد درخت‌ها، عمق آن‌ها، نحوه رأی­گیری، بهره اطلاعاتی و غیره است. تعیین بهینه این پارامترها یک مسئله بهینه‌سازی با فضای حالت بزرگ است. در این پژوهش روشی بر اساس الگوریتم ژنتیک برای تعیین مقادیر بهینه این پارامترها ارائه‌ شده است. در اثر تعیین بهینه پارامترها، نتایج به‌دست‌آمده در مقایسه با حالت پیش‌فرض الگوریتم و سایر تحقیقات، بهبود دقتِ تشخیص را نشان می‌دهد. نتایج ارزیابی حاکی از آن است که دقت تشخیص نفوذ در روش پیشنهادی، ۹۸% بوده است که در مقایسه با الگوریتم جنگل تصادفی با پارامترهای پیش‌فرض حدوداً ۱۱% و در مقایسه با پژوهش­های قبلی 0۸% دقتِ تشخیص، افزایش ‌یافته است. LA eng UL http://ic4i-journal.ir/article-1-201-fa.html M3 ER -