ارائه مدل ترکیبی کشف نفوذ مبتنی بر تحلیل داده های بزرگ و یادگیری عمیق در محیط های توزیع شده

در این پژوهش یک مدل ترکیبی برای کشف نفوذ مبتنی بر تحلیل داده های بزرگ و یادگیری عمیق در محیط های توزیع شده ارائه شده است. هدف این پژوهش، طراحی و پیاده سازی سیستمی است که بتواند حملاتی را با دقت و کارایی بالا شناسایی و به آن ها پاسخ دهد. روش پژوهش شامل جمع آوری داده های ترافیک شبکه، پیش پردازش آن ها، استفاده از تکنیک های تحلیل داده های بزرگ نظیر Apache Hadoop و Apache Spark، و اعمال مدل های یادگیری عمیق مانند شبکه های عصبی پیچشی و بازگشتی می باشد. در مرحله جمع آوری داده ها، ترافیک شبکه از منابع مختلفی جمع آوری شده و در مرحله پیش پردازش، داده ها نرمال سازی و ویژگی های مهم استخراج شده اند. سپس با استفاده از تکنیک های تحلیل داده های بزرگ، داده ها تحلیل و الگوهای پنهان شناسایی شده اند. مدل های یادگیری عمیق شامل شبکه های عصبی پیچشی برای استخراج ویژگی های مکانی و شبکه های عصبی بازگشتی برای تحلیل الگوهای زمانی می باشند. مدل پیشنهادی با ترکیب دو نوع شبکه عصبی، قادر به شناسایی الگوهای پیچیده و ترتیبی حملات شبکه بری است. ارزیابی مدل با استفاده از مجموعه داده های واقعی KDD Cup ۹۹ نشان داد که مدل پیشنهادی توانسته است با دقت ۹۸٪، نرخ کشف بی شیوع از ۹۵٪ و نرخ مثبت کاذب کمتر از ۲٪، عملکرد بسیار خوبی در شناسایی حملات شبکه داشته باشد. این نتایج نشان دهنده کارایی و قابلیت اعتماد بالای مدل در محیط های توزیع شده است و می تواند به عنوان راه حلی موثر برای بهبود امنیت سایبری استفاده قرار گیرد. بهبود دقت و کارایی سیستم های کشف نفوذ، نیازمند استفاده از تکنیک های پیشرفته یادگیری عمیق و تحلیل داده های بزرگ است که در این پژوهش به خوبی به آن پرداخته شده است. این پژوهش می تواند مبنایی برای تحقیقات آینده در زمینه امنیت سایبری و استفاده از روش های نوین تحلیل داده ها فراهم آورد.

کلیدواژه ها:

کشف نفوذ ، یادگیری عمیق ، تحلیل داده های بزرگ ، محیط های توزیع شده ، امنیت سایبری