چکیده مقاله
با افزایش پیچیدگی حملات سایبری و ظهور تهدیدات پایدار پیشرفته APT سیستم های تشخیص نفوذ IDS سنتی مبتنی بر امضا و الگوهای از پیش تعریف شده کارایی خود را در برابر حملات Zero Day از دست داده اند این مقاله، یک چارچوب امنیتی نوآورانه موسوم به XAI WebGuard را پیشنهاد می کند که برای اولین بار، ترکیب سه لایه ای از شبکه های عصبی گراف تطبیقی Adaptive GNN ، تحلیل رفتار بیومتریک کاربر UBA مبتنی بر دینامیک ضربه کلید و حرکات ماوس و مدل های تفسیرپذیر هوش مصنوعی XAI با استفاده از الگوریتم SHAP را به کار می گیرد ایده مرکزی این پژوهش استفاده از گراف دانش زمینه ای Contextual Knowledge Graph برای مدل سازی روابط زمانی مکانی بین درخواست های HTTP و رفتارهای کاربر است که امکان تشخیص ناهنجاری های ریز Micro Anomalies را پیش از بروز آسیب جدی فراهم می سازد نتایج شبیه سازی بر روی داده های واقعی ۲۰۱۷ CICIDS و ترافیک وب سایت فروشگاهی نشان دهنده دقت ۹۸ ۷ و نرخ هشدار غلط ۰ ۳٪ است که نسبت به روش های CNN LSTM مرسوم بهبود ۱۲۰ درصد در تشخیص حملات ناشناخته Zero Day را به همراه دارد
کلیدواژهها
نویسندگان
شیوه ارجاع
�مانی، علی و مرادی، سعید،1405،چارچوب تشخیص تهدیدات تطبیقی مبتنی بر یادگیری عمیق تفسیرپذیر و تحلیل رفتار بیومتریک کاربر برای مقابله با حملات Zero-Day در برنامه های کاربردی وب،نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات16 خرداد 1405 · مشهد