شناسایی جرایم سایبری نفوذ شبکه با استفاده از معماری خودرمزگذار عمیق فازی

با افزایش پیچیدگی حملات سایبری، نیاز به روش های هوشمند و دقیق برای تشخیص نفوذ در شبکه ها بیش از پیش احساس می شود. اگرچه مدل های مبتنی بر یادگیری عمیق در تحقیقات پیشین مورد استفاده قرار گرفته اند، اما همچنان چالش هایی مانند دقت ناکافی در شناسایی حملات نوظهور و عدم توانایی در مدیریت عدم قطعیت های ذاتی داده های شبکه وجود دارد. روش پیشنهادی یک چارچوب ترکیبی جدید را پیشنهاد می دهد که الگوریتم خودرمزگذار عمیق فازی شده را ادغام می کند. این رویکرد با پیش پردازش داده های خام ترافیک شبکه، از جمله نرمال سازی و کدگذاری قطعی آغاز می شود. خودرمزگذار عمیق برای انتخاب ویژگی به کار رفته، ویژگی های نهان فشرده را از ویژگی های انتخاب شده استخراج و توانایی مدل را برای ثبت روابط غیرخطی افزایش می دهد. در نهایت، یک الگوریتم فازی این ویژگی های نهفته را طبقه بندی و تشخیص دقیق حمله را انجام می دهد. یافته های این پژوهش نشان می دهد که مدل پیشنهادی با دقت ۹۴٪ در مجموعه داده UNSW-NB۱۵، عملکرد بهتری نسبت به روش های مرسوم مبتنی بر یادگیری ماشین دارد. این بهبود قابل توجه ناشی از ترکیب دو مرحله کلیدی است: استخراج ویژگی های غیرخطی توسط خودرمزگذار عمیق و تصمیم گیری مبتنی بر عدم قطعیت با استفاده از سیستم فازی. نتایج شبیه سازی همچنین تایید می کند که این مدل قادر به تشخیص حملات با نرخ مثبت کاذب پایین تر و انعطاف پذیری بیشتر در برابر داده های نویزی است. این پژوهش مسیری جدید برای توسعه سیستم های تشخیص نفوذ هوشمند با قابلیت تفسیرپذیری بالا و دقت بهبودیافته ارائه می دهد.

کلیدواژه ها:

تشخیص نفوذ شبکه ، شناسایی جرایم سایبری ، معماری خودرمزگذار فازی ، یادگیری عمیق