یک چارچوب هیبریدی CNN-LSTM-توجه برای شناسایی هوشمند حملات سایبری با نمایه‌سازی ویژگی‌های بهبود یافته

یک چارچوب هیبریدی CNN-LSTM-توجه برای شناسایی هوشمند حملات سایبری با نمایه‌سازی ویژگی‌های بهبود یافته

مینارجبی1

1) دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار دانشگاه گلستان گرگان

کد IOI مقاله : AAHD-ABKCAZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    امروزه با افزایش پیچیدگی و تنوع حملات سایبری، سامانه‌های سنتی تشخیص نفوذ در شناسایی حملات جدید و پردازش بلادرنگ با محدودیت‌های جدی مواجه هستند. در این پژوهش، یک چارچوب ترکیبی مبتنی بر یادگیری عمیق با عنوان HCLA ارائه شده است که از ترکیب شبکه عصبی کانولوشنی (CNN)، شبکه حافظه بلندمدت کوتاه‌مدت دوطرفه (BiLSTM) و مکانیزم توجه چندسری (Multi-Head Attention) بهره می‌گیرد. در این چارچوب، CNN مسئول استخراج ویژگی‌های مکانی، BiLSTM مسئول مدل‌سازی وابستگی‌های زمانی و مکانیزم توجه مسئول وزن‌دهی تطبیقی به ویژگی‌های مهم در تشخیص حملات است. ارزیابی مدل بر روی مجموعه‌داده CICIDS2017 انجام شد و نتایج نشان داد که مدل پیشنهادی به دقت 98.7٪، مقدار Precision برابر 98.5٪، Recall برابر 98.3٪ و F1-Score برابر 98.4٪ دست یافته و عملکرد بهتری نسبت به مدل‌های CNN، LSTM، GRU و CNN-LSTM ارائه می‌دهد. همچنین، زمان استنتاج 2.3 میلی‌ثانیه برای هر نمونه، قابلیت استفاده از این چارچوب در سامانه‌های تشخیص نفوذ بلادرنگ را نشان می‌دهد. نتایج مطالعه بیانگر آن است که ترکیب یادگیری ویژگی‌های مکانی و زمانی همراه با مکانیزم توجه، موجب افزایش دقت و پایداری در تشخیص حملات سایبری می‌شود.

کلمات کلیدی : تشخیص حملات سایبری تشخیص نفوذ یادگیری عمیق شبکه cnn شبکه bilstm مکانیزم توجه امنیت شبکه