مروری بر کاربرد Apache Spark و یادگیری عمیق در امنیت سایبری و تشخیص ناهنجاری

با گسترش سریع اینترنت اشیاء، بانکداری دیجیتال و زیرساخت های متصل، سطح حملات سایبری به طور چشمگیری افزایش یافته است. روش های سنتی تشخیص ناهنجاری که بر امضا و قواعد از پیش تعریف شده متکی، توانایی لازم برای شناسایی تهدیدات نوظهور را ندارند و در برابر داده های عظیم و پیچیده ناکارآمد هستند. در این زمینه ترکیب آپاچی اسپارک به عنوان چارچوبی قدرتمند برای پردازش توزیع شده با یادگیری عمیق به عنوان ابزاری پیشرفته برای کشف الگوهای پنهان، راهکاری موثر برای بهبود امنیت سایبری ارائه می دهد. بررسی پژوهش های اخیر (۲۰۱۹ تا ۲۰۲۵) نشان می دهد که این ترکیب توانسته دقت و سرعت سیستم های تشخیص نفوذ را بهبود دهد. برای نمونه، استفاده از پای اسپارک با شبکه های بازگشتی دوطرفه در تراکنش های مالی باعث ارتقای شناسایی تقلب شده است، و روش های ترکیبی مانند خودرمزگذاری سال ئیام یا سی ان ان ال اس تی ام در محیط های اینترنت اشیاء توانسته اند به دقت بالای دست یابند. از سوی دیگر، تلاش هایی مانند روش سی اس ام سی آر برای تعادل داده ها و معرفی داده سته های تازه مثل آرتی آی اوتی۲۰۲۲۹ نشان داده اند که استفاده از داده های نزدیک به واقعیت و متوازن دقت و تفسیر پذیری مدل ها را به طور محسوسی افزایش می دهد.

کلیدواژه ها:

آپاچی ، اسپارک ، یادگیری عمیق ، امنیت سایبری ، تشخیص ناهنجاری ، یادگیری فدرال ، کلان داده ، تفسیر پذیری