ارتقای مکانیسم های تشخیص امنیت سایبری از طریق یادگیری فدرال: مطالعه جامع در مورد تشخیص ناهنجاری

در چشم انداز همیشه در حال تحول امنیت سایبری، شناسایی ناهنجاری ها، نفوذها و حملات پیچیده از اهمیت بالایی برای حفاظت از زیرساخت های حیاتی و داده های حساس برخوردار است. سیستم های سنتی شناسایی متمرکز اغلب با چالش هایی همچون حفظ حریم خصوصی داده ها، مقیاس پذیری و آسیب پذیری در برابر حملات پیچیده ی خصمانه مواجه هستند. یادگیری فدرال، به عنوان یک الگو در یادگیری ماشین غیرمتمرکز، به عنوان یک راه حل نوید بخش برای این چالش ها مطرح شده است. این روش با امکان پذیر ساختن آموزش مدل های یادگیری به صورت اشتراکی در میان دستگاه های توزیع شده، ضمن حفظ حریم خصوصی داده ها، به این مشکلات پاسخ می دهد. در این مقاله به بررسی عمیق روش های مبتنی بر یادگیری فدرال برای شناسایی ناهنجاری ها در چارچوب های امنیت سایبری می پردازد. ما به صورت عمیق رویکردهای موجود را مرور کرده، عملکرد آن ها را بر اساس معیارهای کلیدی ارزیابی نموده و مزایا و محدودیت های هر یک را برجسته می کنیم. همچنین، تحلیل های مقایسه ای را از طریق جداول جامع ارائه می دهیم که کارایی تکنیک های مختلف یادگیری فدرال را در حوزه های گوناگون امنیت سایبری نشان می دهند.

کلیدواژه ها:

یادگیری فدرال ، امنیت سایبری ، شناسایی ناهنجاری ها ، شناسایی حملات سایبری ، هوش مصنوعی