سیستم های پشتیبان تصمیم گیری مبتنی بر الگوریتم های متاهیورستیک برای انتخاب راهکارهای امنیتی

تصمیم گیری برای انتخاب راهکارهای امنیتی در محیط های سایبری نوین یک چالش بهینه سازی چندهدفه (MOO) است که باید میان هزینه های مالی، تاثیر عملیاتی و کاهش ریسک به ویژه در برابر تهدیدات خصمانه و تحت عدم قطعیت رادیکال توازن برقرار کند (Banks et al., ۲۰۲۲). این مقاله مروری بر سیستم های پشتیبان تصمیم گیری (DSS) مبتنی بر الگوریتم های متاهیورستیک منتشر شده پس از سال ۲۰۲۰ متمرکز است. یافته ها نشان می دهند که DSSهای مدرن از روش های سنتی تحلیل ریسک (PRA) فاصله گرفته و به سمت رویکردهای شبیه سازی-بهینه سازی حرکت کرده اند (Ruiz-Tagle et al., ۲۰۲۲). هسته این سیستم ها الگوریتم های متاهیورستیک مانند PSO, GA و DO هستند که برای پیمایش فضاهای راه حل غیرخطی به کار می روند (Biswas et al.). برای مدیریت اهداف متناقض از متدولوژی E-Constraint به طور گسترده استفاده می شود. این روش مسئله چندهدفه (MOO) را به یک مسئله بهینه سازی تک هدفه (SOO) تبدیل می کند؛ بدین ترتیب یک هدف مینیمم می شود و سایر اهداف به قیود مرزی (epsilon) تبدیل می گردند که این امر مجموعه ای دقیق تر و متنوع تر از راه حل های بهینه پارتو را در مقایسه با روش های جمع وزنی ساده تولید می کند (Wang et al., ۲۰۲۰). علاوه بر این، برای غلبه بر پیچیدگی محاسباتی ارزیابی تابع تناسب، مدل های پیش بینی مبتنی بر هوش مصنوعی و یادگیری ماشین مدل های جایگزین در موتور بهینه سازی ادغام شده اند تا فرآیند جستجو را تسریع بخشند (Biswas et al., ۲۰۲۲). مطالعات موردی اهمیت تخصیص بهینه منابع در MEها و انتخاب راهکارهای امنیتی بر اساس معیارهای عملیاتی بحرانی مانند بهینه سازی تاخیر مانند (۰.۰۷۲ میلی ثانیه برای رمزنگاری Blowfish را در مدیریت حفظ حریم خصوصی داده ها برجسته می سازند (Hussaini et al., ۲۰۲۲). مسیر تحقیقاتی آینده بر توسعه بهینه سازی مقاوم، ادغام عمیق تر یادگیری تقویتی، و افزایش توضیح پذیری متاهیورستیک ها متمرکز است تا پذیرش عملیاتی DSS در مدیریت ریسک تقویت شود (Banks et al., ۲۰۲۲).

کلیدواژه ها:

سیستم های پشتیبان تصمیم گیری ، الگوریتم های متاهیورستیک ، راهکارهای امنیتی ، بهینه سازی چندهدفه ، مدیریت ریسک