تشخیص حملات سایبری صفرروزه با تحلیل کلان‌داده شبکه و یادگیری عمیق ناهمگن

تشخیص حملات سایبری صفرروزه با تحلیل کلان‌داده شبکه و یادگیری عمیق ناهمگن

شهاب احمدیان1 احسان سلیمانی دهکردی2

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

کد IOI مقاله : AAHD-ABZEKZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    در دهه اخیر با گسترش چشمگیر زیرساخت‌های شبکه‌ای، اینترنت اشیاء (IoT) و سرویس‌های ابری، حجم داده‌ی شبکه و تنوع انواع ترافیک بطور نمایی افزایش یافته است. در چنین فضایی، حملات سایبری از نوع «صفرروزه» (zero day) که بر پایه آسیب‌پذیری‌های ناشناخته انجام می‌شوند، یکی از جدّی‌ترین چالش‌ها برای امنیت شبکه هستند؛ زیرا سیستم‌های سنتی مبتنی بر امضا (Signature-based) یا قوانین از پیش تعریف‌شده قادر به شناسایی آن‌ها نیستند [2][3]. این مقاله چارچوبی نوین مطرح می‌کند که با ترکیب «تحلیل کلان‌داده شبکه» (Big Data Network Analytics) و «یادگیری عمیق ناهمگن» (Hybrid Deep Learning) به منظور شناسایی حملات صفرروزه می‌پردازد. در گام نخست، داده‌های ترافیک شبکه از منابع متعدد (IoT، سرورها، لاگ‌های جریان داده، دستگاه‌های پایانی) جمع‌آوری، پاک‌سازی، نرمال‌سازی و پیش‌پردازش می‌شوند؛ سپس با روش‌هایی مثل Oversampling یا سایر روش‌های مدیریت نابرابری کلاس (Class imbalance) آماده‌سازی می‌شوند [4][5][7]. در مرحله بعد، از ترکیب مدل‌های یادگیری عمیق شامل خود رمزگذار (Autoencoder)، شبکه‌های بازگشتی زمانی (LSTM / GRU) و روش‌های کلاسیک یادگیری ماشین (مثل Random Forest یا XGBoost) به صورت یک سیستم Ensemble ناهمگن استفاده شده است [6][9][10]. مدل Autoencoder، ویژگی‌های فشرده و نهفته (latent) ترافیک طبیعی را یاد می‌گیرد و ناهنجاری (Anomaly) را از طریق خطای بازسازی (Reconstruction error) تشخیص می‌دهد؛ در حالی که LSTM/GRU توالی‌های زمانی ترافیک را مدل می‌کند و روش‌های ML کلاسیک به تقویت تصمیم‌گیری کمک می‌کنند [2][5]. خروجی این ترکیب از طریق Soft voting یا Meta learner ادغام می‌شود [6][10]. نتایج مقدماتی بر اساس تحلیل روی مجموعه داده‌های بزرگ و متنوع نشان می‌دهد که سیستم پیشنهادی قابلیت شناسایی حملات ناشناخته با دقت، فراخوان (Recall) و F1 score بالا و نرخ مثبت کاذب (False Positive) پایین دارد [9][8][11]. این چارچوب علاوه بر دقت بالا، مقیاس‌پذیری و قابلیت به‌روز شدن (با یادگیری مداوم / آنلاین) را نیز داراست و می‌تواند به عنوان پایه‌ای برای سیستم‌های دفاعی پیش‌رونده (Proactive) در محیط‌های شبکه‌ای وسیع مورد استفاده قرار گیرد [7][10].

کلمات کلیدی : صفر روزه تحلیل داده‌های کلان شناسایی نفوذ شبکه یادگیری عمیق ترکیبی شناسایی ناهنجاری