مروری بر سیستم های تشخیص نفوذ در شبکه با استفاده از مدل های مبتنی بر یادگیری ماشین

امروزه، شبکه های کامپیوتری نقش بسیار مهمی در ارتباطات و تبادل داده ها داشته و گسترش این شبکه ها شرایط مناسبی را برای حملات سایبری و نفوذ فراهم کرده است. نفوذ یکی از فعالیت های غیرقانونی است که امنیت اطلاعات و محرمانیت را به خطر می اندازد و یا دسترسی غیرمجاز به منابع سازمانی را فراهم می کند. سیستم های تشخیص نفوذ (IDS)، عامل مهمی هستند و حملاتی را که توسط باروهای[۱] سنتی قابل رصد نیستند، شناسایی می کنند. با این حال، حملات مختلف رفتارهای خاص خود را دارند و بهبود تشخیص نوع حمله همچنان یکی از چالش های مدل های تشخیص نفوذ محسوب می شود. برای حل مشکلات مربوط به توسعه سیستم های تشخیص نفوذ (IDS)، محققان بسیاری به تمرکز بر روش های یادگیری ماشین و یادگیری عمیق پرداخته اند. این روش ها قادرند به طور خودکار تفاوت های اساسی بین داده های معمولی و داده های غیرطبیعی را کشف کنند و همچنین قابلیت تعمیم قوی دارند که این امر امکان شناسایی حملات ناشناخته را فراهم می کند. در این پژوهش به بررسی روش های مختلف تشخیص نفوذ با استفاده از یادگیری ماشین می پردازیم این چارچوب طبقه بندی برای امنیت سایبری مناسب است و محققان در این بررسی به مفهوم و طبقه بندی IDSها، الگوریتم های یادگیری ماشین و یادگیری عمیق، و چالش ها و تحولات آتی در این حوزه پرداخته اند. Firewall

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، سیستم تشخیص نفوذ ، امنیت سایبری