تشخیص نفوذ در شبکه های موردی با استفاده از روش یادگیری توزیع شده مبتنی بر شبکه های عصبی عمیق

تشخیص نفوذ در شبکه های موردی چالش های پیچیده ای را ایجاد می کند که با تغییرات توپولوژی پویا، ارتباطات بی سیم و تحرک سریع مشخص می شود. پیشرفت های فزاینده در تهدیدات سایبری، به ویژه در زمینه شبکه های ادهاک، نیازمند مکانیزم های امنیتی پیشرفته و قابل تطبیق است. شبکه های ادهاک، که با توپولوژی های دینامیک، ماهیت غیرمتمرکز و عدم وجود زیرساخت ثابت مشخص می شوند، به ویژه در معرض طیف گسترده ای از حملات سایبری قرار دارند. این مقاله چارچوبی نوآورانه برای سیستم تشخیص نفوذ را که از یادگیری توزیع شده مشارکتی مبتنی بر یادگیری فدرال برای مقابله با چالش های امنیتی منحصر به فرد موجود در شبکه های ادهاک استفاده می کند، پیشنهاد می دهد. یادگیری فدرال برای تشخیص نفوذ در شبکه های موردی اجازه می دهد که گره های مختلف بدون نیاز به انتقال داده های خود به یک مکان مرکزی، به صورت مستقل مدل های تشخیص نفوذ را آموزش دهند و به روزرسانی های مدل را به اشتراک بگذارند. این روش با حفظ حریم خصوصی داده ها، امکان همکاری در یادگیری و بهبود توانایی تشخیص حملات در سراسر شبکه را فراهم می آورد. روش تشخیص نفوذ پیشنهادی از شبکه عصبی کانولوشن به عنوان مدل زیرین در ساختار مدل یادگیری مشارکتی توزیع شده مبتنی بر یادگیری فدرال استفاده می کند. این روش نه تنها حریم خصوصی و امنیت را افزایش می دهد بلکه دقت تشخیص و مقیاس پذیری سیستم تشخیص نفوذ را نیز به طور قابل توجهی بهبود می بخشد. روش یادگری گروهی پیشنهادی، بر خلاف روش اجرای یادگیری منفرد در هر گره، از قدرت هوش توزیع شده استفاده می کند و تعادلی بین تخصص محلی و پتانسیل تشخیص کلی نگر ایجاد می کند.

کلیدواژه ها:

تشخیص نفوذ ، شبکه های موردی ، شبکه های عصبی کانولوشن ، یادگیری توزیع شده ، یادگیری فدرال