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

شهاب احمدیان1 احسان سلیمانی دهکردی2

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


زبان مقاله : فارسی
محور مقاله : امنيت
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABZEKZ
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABZEKZ

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems