گسترش روزافزون شبکه‌های رایانه‌ای و افزایش حجم تبادل اطلاعات، امنیت شبکه را به یکی از مهم‌ترین دغدغه‌های حوزه فناوری اطلاعات تبدیل کرده است. روش‌های سنتی شناسایی نفوذ که بر پایه امضاهای از پیش تعیین‌شده عمل می‌کنند، در برابر حملات جدید و ناشناخته کارایی محدودی دارند؛ از این‌رو استفاده از روش‌های هوشمند یادگیری ماشین به‌عنوان راهکاری مؤثر برای شناسایی الگوهای نامتعارف در ترافیک شبکه مورد توجه قرار گرفته است. هدف پژوهش حاضر، ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان در شناسایی و طبقه‌بندی انواع حملات نفوذ شبکه است. در این پژوهش از یک پایگاه داده استاندارد و معتبر در حوزه امنیت شبکه استفاده شد که شامل بیش از صد و چهل هزار رکورد ترافیکی در پنج دسته ترافیک عادی، حملات انکار سرویس، حملات شناسایی، حملات دسترسی غیرمجاز از راه دور و حملات افزایش سطح دسترسی بود. پیش از مدل‌سازی، داده‌های کیفی به مقادیر عددی تبدیل و سپس با روش استانداردسازی هم‌مقیاس شدند. داده‌ها به نسبت هفتاد به سی درصد به‌ترتیب برای آموزش و آزمون مدل‌ها تفکیک گردیدند. نتایج نشان داد که روش جنگل تصادفی با صحت نود و هشت و هفتاد و شش صدم درصد بالاترین عملکرد را در میان سه روش مورد بررسی داشت، در حالی‌که روش درخت تصمیم با صحت نود و شش و چهل و دو صدم درصد و روش ماشین بردار پشتیبان با صحت نود و چهار و پانزده صدم درصد در رتبه‌های بعدی قرار گرفتند. همچنین بررسی دقیق‌تر نتایج نشان داد که هر سه روش در شناسایی حملات انکار سرویس و ترافیک عادی عملکرد بسیار مطلوبی داشتند، اما دقت شناسایی حملات افزایش سطح دسترسی به دلیل کمبود شدید نمونه‌های آموزشی این دسته، به‌طور محسوسی پایین‌تر از سایر انواع حملات بود. بررسی زمان اجرا نیز نشان داد که روش درخت تصمیم سریع‌ترین و روش ماشین بردار پشتیبان زمان‌برترین روش در فرآیند آموزش بود. نتایج این پژوهش تأیید می‌کند که روش‌های یادگیری گروهی مانند جنگل تصادفی به دلیل ترکیب چندین درخت تصمیم، پایداری و دقت بالاتری نسبت به روش‌های منفرد در شناسایی حملات نفوذ شبکه دارند و می‌توانند مبنایی مناسب برای طراحی سامانه‌های هوشمند تشخیص نفوذ باشند.