مدل ترکیبی برای کشف نفوذ با استفاده از تحلیل داده‌های بزرگ و تکنیک‌های یادگیری عمیق در شبکه‌های توزیع‌شده
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
1 - دانشجوی دکتری، گروه مدیریت، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
الکلمات المفتاحية: کشف نفوذ, امنیت سایبری, یادگیری عمیق, داده‌های بزرگ, محیط‌های توزیع‌شده,
ملخص المقالة :
این پژوهش مدل ترکیبی جدیدی برای کشف نفوذ در محیط‌های توزیع‌شده ارائه می‌دهد که بر تحلیل داده‌های بزرگ و تکنیک‌های یادگیری عمیق متکی است. هدف اصلی مطالعه، طراحی سیستمی با دقت بالا و توانایی شناسایی و پاسخ سریع به حملات سایبری است. مدل پیشنهادی با استفاده از شبکه‌های عصبی پیچشی و بازگشتی الگوهای حملات پیچیده را در داده‌های ترافیک شبکه تشخیص می‌دهد. این مدل بر روی داده‌های مجموعه KDD Cup 99 آزمایش شده و با دقت 98%، نرخ شناسایی 95% و نرخ مثبت کاذب کمتر از 2% عملکرد برجسته‌ای داشته است. توانایی مدل در یادگیری مستمر و به‌روزرسانی خودکار آن را قادر می‌سازد تا به تهدیدات جدید و ناشناخته به‌سرعت واکنش نشان دهد و امنیت داده‌های حساس را با استفاده از روش‌های پیشرفته رمزنگاری و یادگیری فدراسیون تضمین می‌کند. این مدل توانایی ارائه پاسخ‌های سریع و بهینه به حملات را داراست که آن را برای استفاده در شبکه‌های کوچک و بزرگ مناسب می‌کند. مقیاس‌پذیری این سیستم، که از تحلیل داده‌های بزرگ و یادگیری عمیق بهره می‌برد، آن را قادر می‌سازد تا در محیط‌های پیچیده و با حجم زیاد داده‌های شبکه نیز کارآمد باشد. این سیستم نه‌تنها دقت و عملکرد کشف حملات سایبری را بهبود می‌بخشد، بلکه باعث کاهش تعداد هشدارهای اشتباه نیز می‌شود که این امر به بهبود اعتماد به زیرساخت‌های امنیتی کمک می‌کند. افزون بر این، توجه ویژه‌ای به چالش‌های امنیتی در شبکه‌های توزیع‌شده شده و این سیستم توانایی بهبود عملکرد امنیتی در مقیاس‌های مختلف را دارد. این پژوهش با ایجاد پایه‌های محکمی برای توسعه سیستم‌های هوشمند کشف نفوذ، گامی مؤثر در جهت پیشرفت چارچوب‌های امنیت سایبری در مقیاس جهانی به شمار می‌رود و راهکارهای نوینی برای مقابله با تهدیدات جدید ارائه می‌دهد.
P. Srivastava, “Enhancing network intrusion detection: An investigation of hybrid deep learning approaches,” NeuroQuantology, 2023.
M. Soltani, K. Khajavi, M. Jafari Siavoshani, and A. Jahangir, “A multi-agent adaptive deep learning framework for online intrusion detection,” ArXiv, abs/2303.02622, 2023.
O. Al-Kadi, N. Moustafa, B. Turnbull, and K. Choo, “A deep blockchain framework-enabled collaborative intrusion detection for protecting IoT and cloud networks,” IEEE Internet of Things Journal, vol. 8, no. 12, pp. 9463-9472, 2021.
Z. Zeng, W. Peng, and D. Zeng, “Improving the stability of intrusion detection with causal deep learning,” IEEE Transactions on Network and Service Management, vol. 19, no. 4, pp. 4750-4763, 2022.
F. Jamali, “Towards data fusion-based big data analytics for intrusion detection,” Journal of Information and Telecommunication, vol. 7, pp. 409-436, 2023.
O. Faker and E. Dogdu, “Intrusion detection using big data and deep learning techniques,” in Proceedings of the 2019 ACM Southeast Conference, 2019.
W. Zhong, N. Yu, and C. Ai, “Applying big data based deep learning system to intrusion detection,” Big Data Mining and Analytics, vol. 3, pp. 181-195, 2020.
R. Dhahbi and F. Jemili, “A deep learning approach for intrusion detection,” in 2021 IEEE 23rd International Conference on High Performance Computing & Communications; 7th International Conference on Data Science & Systems; 19th International Conference on Smart City; 7th International Conference on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys), 2021, pp. 1211-1218.
K. Sethi, R. Kumar, N. Prajapati, and P. Bera, “Deep reinforcement learning based intrusion detection system for cloud infrastructure,” in 2020 International Conference on COMmunication Systems & NETworkS (COMSNETS), 2020, pp. 1-6.
Z. K. Maseer, R. Yusof, B. Al-Bander, A. Saif, and Q. K. Kadhim, “Meta-analysis and systematic review for anomaly network intrusion detection systems: Detection methods, dataset, validation methodology, and challenges,” ArXiv, 2023.
X. Li, Y. Zhang, and K. Sun, “Deep learning-based DDoS attack detection system using recurrent neural networks,” International Journal of Cyber Security, vol. 34, no. 1, pp. 112-125, 2022.
S. Wang, Z. Chen, J. Chen, and P. Zhu, “Design and implementation of intrusion detection system based on deep learning,” in 2023 IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI), 2023, pp. 1495-1497.
Y. Gao, H. Zhang, S. Liu, and J. Wang, “Optimizing intrusion detection system using deep convolutional neural networks,” Journal of Network Security, vol. 28, no. 2, pp. 145-162, 2023.
W. Zhong, Q. Liu, and J. Xu, “Evaluation of a hierarchical deep belief network approach for intrusion detection,” Cybersecurity and Artificial Intelligence Journal, vol. 29, no. 3, pp. 78-93, 2023.
K. Jiang, W. Wang, A. Wang, and H. Wu, “Network intrusion detection combined hybrid sampling with deep hierarchical network,” IEEE Access, vol. 8, pp. 32464-32476, 2020.
M. Irfan et al., “Role of hybrid deep neural networks (HDNNs), computed tomography, and chest X-rays for the detection of COVID-19,” International Journal of Environmental Research and Public Health, 2021.
V. D. Veksler et al., “Cognitive models in cybersecurity: Learning from expert analysts and predicting attacker behavior,” Frontiers in Psychology, 2020. [18] H. Liu and B. Lang, “Machine learning and deep learning methods for intrusion detection systems: A survey”, Applied Sciences, vol. 9, no. 20, pp. 4396, 2019.
B. Al Omar, Z. Trabelsi, and F. Saidi, “Deep learning modelling for intrusion detection,” in European Conference on Cyber Warfare and Security, 2023.
Z. Huang, R. Xu, and M. Lin, “Hybrid neural network-based anomaly detection for large-scale networks,” Journal of Advanced Computing, vol. 12, no. 4, pp. 221-235, 2023.
