بهبود تشخیص نفوذ پایگاه داده با رویکرد یادگیری عمیق توسعه و تحلیل مقایسه ای دو مدل جدید مبتنی بر شبکههای عصبی پیچشی

چکیده مقاله

این مطالعه به بررسی و مقایسه دو مدل جدید یادگیری عمیق مبتنی بر شبکه های عصبی پیچشی به منظور بهبود تشخیص نفوذ در سامانه های پایگاه داده میپردازد با توجه به افزایش تهدیدات امنیتی در بستر وب و پایگاههای داده روشهای سنتی تشخیص نفوذ مانند سامانه های مبتنی بر امضا محدودیتهایی در شناسایی حملات پیچیده و جدید دارند به همین منظور دو مدل ۱ CNN و CNN v۲ طراحی و توسعه داده شد برای ارزیابی عملکرد مدلها از مجموعه داده ۲۰۱۰ CSIC که شامل حملاتی مانند تزریق SQL اسکریپت بین سایتی و دست کاری URL است استفاده شد نتایج نشان داد که مدل CNN V۱ با دقت ۹۸ ۴۷ درصد و مقدار AUC برابر با ۹۹ ۹۴ درصد و نرخ هشدار کاذب ۰ ۰۰۲ عملکرد بهتری در کاهش هشدارهای کاذب دارد از سوی دیگر، مدل ۲ CNN با دقت ۹۸ ۴۳ درصد، AUC برابر با ۹۹ ۹۴ درصد و نرخ هشدار کاذب ۰ ۰۱۶۷ ، در تشخیص حملات پیچیده عملکرد بهتری نشان داده است

کلیدواژه‌ها

نویسندگان

سلیم پریان

ارشد امنیت سایبری؛ دانشگاه جامع امام حسین تهران

مصطفی عباسی

استادیار دانشکده رایانه شبکه و ارتباطات؛ دانشگاه جامع امام حسین تهران

پریان، سلیم و عباسی، مصطفی،1403،بهبود تشخیص نفوذ پایگاه داده با رویکرد یادگیری عمیق توسعه و تحلیل مقایسه ای دو مدل جدید مبتنی بر شبکههای عصبی پیچشی،ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع15 آبان 1403 · اسفراین