یک رویکرد پیشرفته یادگیری عمیق برای تشخیص حملات پایگاه داده: توسعه مدل های جدید مبتنی بر شبکههای عصبی بازگشتی BiLSTM

این پژوهش به توسعه و ارزیابی دو مدل جدید و پیشرفته یادگیری عمیق مبتنی بر شبکه های عصبی بازگشتی دوجهته (BiLSTM) می پردازد که با هدف بهبود دقت در تشخیص نفوذ به پایگاههای داده طراحی شده اند. با توجه به افزایش تهدیدات امنیتی و چالشهای ناشی از حملات پیچیده و جدید در سامانه های مبتنی بر وب، سامانه های تشخیص نفوذ سنتی مبتنی بر امضا با محدودیتهایی مواجه هستند. برای غلبه بر این محدودیتها دو مدل ۱-BiLSTM و BiLSTM-v۲ توسعه داده شدند. عملکرد این مدلها با استفاده از مجموعه داده ۲۰۱۰-CSIC که شامل حملاتی نظیر XSS، تزریق SQL و دستکاری URL است مورد ارزیابی قرار گرفت. برای بهبود عملکرد و رفع عدم توازن داده ها از SMOTE استفاده شد. نتایج به دست آمده نشان دادند که مدل ۲-BiLSTM با دقت ۹۸.۴۳ درصد و مقدار AUC برابر با ۹۹.۹۲ درصد در کاهش هشدارهای کاذب با نرخ ۰۹۱۰ درصد بهتر عمل می.کند. مدل ۱-BiLSTM نیز با دقت ۹۸.۳۱ درصد و AUC برابر با ۹۹.۹۱ درصد عملکرد قابل قبولی ارائه داد. این نتایج حاکی از آن است که مدلهای BiLSTM میتوانند تشخیص حملات سایبری را بهبود بخشیده و هشدارهای نادرست را به طور موثری کاهش دهند.

کلیدواژه ها:

تشخیص نفوذ شبکه عصبی بازگشتی ، یادگیری عمیق حمله پایگاه داده ، الگوریتم BiLSTM ، مجموعه داده ۲۰۱۰-CSIC