تشخیص حملات سایبری با استفاده از یادگیری عمیق و یادگیری ماشین: روش ها، چالش ها

چکیده مقاله

با گسترش فناوری اطلاعات، رایانش ابری، اینترنت اشیا و خدمات آنلاین، حملات سایبری نیز از نظر تعداد، پیچیدگی و تنوع رشد چشمگیری داشته اند روش های سنتی تشخیص نفوذ که عمدتا مبتنی بر امضا و قوانین از پیش تعریف شده هستند، در برابر حملات نوظهور و ناشناخته عملکرد مناسبی ندارند در سال های اخیر، استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق به عنوان راهکاری هوشمند برای شناسایی تهدیدات سایبری مورد توجه پژوهشگران قرار گرفته است این الگوریتم ها قادرند با یادگیری الگوهای رفتاری موجود در داده های شبکه، فعالیت های عادی را از رفتارهای مخرب تشخیص دهند و نرخ شناسایی حملات را افزایش دهند در این مقاله، مهم ترین روش های مبتنی بر یادگیری ماشین شامل درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی، نزدیک ترین همسایه و بیز ساده و همچنین مدل های یادگیری عمیق نظیر شبکه های عصبی کانولوشنی، شبکه های عصبی بازگشتی، حافظه بلندمدت کوتاه مدت، خودرمزگذارها و ترنسفورمرها بررسی می شوند علاوه بر این، چالش های مهمی مانند کمبود داده های برچسب خورده، عدم توازن داده ها، هزینه محاسباتی بالا، حملات خصمانه و قابلیت تفسیر مدل ها مورد بحث قرار می گیرد در پایان نیز روندهای آینده شامل یادگیری فدرال، هوش مصنوعی توضیح پذیر، یادگیری انتقالی و سیستم های امنیتی خودکار معرفی می شوند نتایج این مطالعه نشان می دهد که ترکیب یادگیری ماشین و یادگیری عمیق می تواند دقت و سرعت سیستم های تشخیص نفوذ را به طور قابل توجهی افزایش داده و نقش مهمی در ارتقای امنیت سایبری ایفا کند

کلیدواژه‌ها

نویسندگان

آیناز آریان پور

۱- دانشجوی کاردانی فناوری اطلاعات دانشگاه ولیعصر

آیناز آریان پور

۱ دانشجوی کاردانی فناوری اطلاعات دانشگاه ولیعصر

نسترن بیرانوند

۲- استاد دانشگاه ولیعصر

نسترن بیرانوند

۲ استاد دانشگاه ولیعصر

�ریان پور، آیناز و بیرانوند، نسترن،1405،تشخیص حملات سایبری با استفاده از یادگیری عمیق و یادگیری ماشین: روش ها، چالش ها،سی و یکمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات سی و یکمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک30 تیر 1405 · شیروان