نقش یادگیری عمیق در امنیت سایبری

نقش یادگیری عمیق در امنیت سایبری

صفورا باباجانی پور بروجنی1 احسان سلیمانی دهکردی2

1) دانشجوی کارشناسی ارشد، گرایش هوش مصنوعی، دانشگاه آزاد واحد بروجن، ایران
2) دانشجوی دکتری مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد میبد، ایران

کد IOI مقاله : AAHD-ABZBHK
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    رشد نمایی تهدیدات سایبری و پیچیدگی فزاینده الگوهای حمله، کارایی رویکردهای سنتی امنیت اطلاعات را به‌طور جدی با چالش مواجه کرده است. در سال‌های اخیر، یادگیری عمیق به عنوان یکی از قدرتمندترین شاخه‌های هوش مصنوعی، نقش محوری در آشکارسازی الگوهای پنهان، شناسایی رفتارهای غیرعادی و پیش‌بینی حملات ناشناخته ایفا کرده است [1],[4]. این مقاله با رویکردی مرور ـ تحلیلی، نقش یادگیری عمیق در امنیت سایبری را در سه محور اصلی بررسی می‌کند: سیستم‌های تشخیص نفوذ شبکه، شناسایی بدافزار و دفاع در برابر حملات خصمانه علیه مدل‌های هوشمند [1],[3],[9],[11]. برای این منظور، ابتدا مفاهیم پایه‌ای و بیان مسئله با تمرکز بر محدودیت‌های روش‌های مبتنی بر امضا و قواعد ارائه می‌شود. سپس معماری‌ها و الگوریتم‌های پرکاربرد یادگیری عمیق شامل CNN، RNN/LSTM، خودرمزگذارها، شبکه‌های مولد خصمانه (GAN)، شبکه‌های گراف عصبی (GNN) و رویکردهای یادگیری فدر (Federated Learning) در کاربردهای مختلف امنیتی تحلیل می‌گردد [2],[5],[7],[9]. در ادامه، چالش‌های کلیدی همچون عدم تفسیرپذیری، داده‌های نامتوازن، حملات خصمانه به مدل‌ها، الزامات محاسباتی بالا و ملاحظات حریم خصوصی تشریح می‌شوند [4],[6],[12]. در نهایت، پیشنهادهای کاربردی و پژوهشی برای طراحی سامانه‌های امنیتی نسل جدید مبتنی بر یادگیری عمیق، با تأکید بر تلفیق تفسیرپذیری، مقاوم‌سازی خصمانه و استقرار در محیط‌های توزیع‌شده ارائه شده است [7],[8],[13]. یافته‌های این مقاله نشان می‌دهد که یادگیری عمیق نه‌تنها توان ارتقای دقت و سرعت کشف تهدیدات را دارد، بلکه در صورت رفع چالش‌ها، می‌تواند بستر معماری‌های امنیتی هوشمند، خودآموز و تطبیقی را فراهم کند [5],[7],[14].

کلمات کلیدی : یادگیری عمیق امنیت سایبری تشخیص نفوذ بدافزار حملات خصمانه