یک رویکرد پیشرفته یادگیری عمیق برای تشخیص حملات پایگاه داده: توسعه مدل های جدید مبتنی بر شبکههای عصبی بازگشتی BiLSTM

چکیده مقاله

این پژوهش به توسعه و ارزیابی دو مدل جدید و پیشرفته یادگیری عمیق مبتنی بر شبکه های عصبی بازگشتی دوجهته BiLSTM می پردازد که با هدف بهبود دقت در تشخیص نفوذ به پایگاههای داده طراحی شده اند با توجه به افزایش تهدیدات امنیتی و چالشهای ناشی از حملات پیچیده و جدید در سامانه های مبتنی بر وب، سامانه های تشخیص نفوذ سنتی مبتنی بر امضا با محدودیتهایی مواجه هستند برای غلبه بر این محدودیتها دو مدل ۱ BiLSTM و BiLSTM v۲ توسعه داده شدند عملکرد این مدلها با استفاده از مجموعه داده ۲۰۱۰ CSIC که شامل حملاتی نظیر XSS، تزریق SQL و دستکاری URL است مورد ارزیابی قرار گرفت برای بهبود عملکرد و رفع عدم توازن داده ها از SMOTE استفاده شد نتایج به دست آمده نشان دادند که مدل ۲ BiLSTM با دقت ۹۸ ۴۳ درصد و مقدار AUC برابر با ۹۹ ۹۲ درصد در کاهش هشدارهای کاذب با نرخ ۰۹۱۰ درصد بهتر عمل می کند مدل ۱ BiLSTM نیز با دقت ۹۸ ۳۱ درصد و AUC برابر با ۹۹ ۹۱ درصد عملکرد قابل قبولی ارائه داد این نتایج حاکی از آن است که مدلهای BiLSTM میتوانند تشخیص حملات سایبری را بهبود بخشیده و هشدارهای نادرست را به طور موثری کاهش دهند

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،یک رویکرد پیشرفته یادگیری عمیق برای تشخیص حملات پایگاه داده: توسعه مدل های جدید مبتنی بر شبکههای عصبی بازگشتی BiLSTM،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