مروری بر آسیب پذیری های پیش بینی سری های زمانی با استفاده از یادگیری ماشین در برابر حملات

پیش بینی سری زمانی نقشی اساسی در حوزه هایی نظیر مالی، سلامت، انرژی و امنیت سایبری ایفا می کند. در این حوزه ها پیش بینی های دقیق مبنای تصمیم گیری های حیاتی است. با گسترش یادگیری ماشین و به ویژه مدل های یادگیری عمیق، دقت پیش بینی ها به طور محسوسی افزایش یافته است؛ اما در این حال، این مدل ها در برابر حملات تخاصمی آسیب پذیری بیشتری پیدا کرده اند. این مقاله، مروری جامع بر فن های مبتنی بر یادگیری ماشین در پیش بینی سری زمانی ارائه داده و آسیب پذیری ها و نقاط قوت آن ها را تحلیل می کند. همچنین راهبردهای مختلف اجرای حملات تخاصمی را به شکل نظام مند بررسی نموده و طیفی از سازوکارهای دفاعی مانند آموزش تخاصمی، رویکردهای ترکیبی، کمی سازی عدم قطعیت و مهندسی ویژگی مقاوم را از منظر کارایی ارزیابی می کند. در ادامه، کاربردهای عملی تاب آوری در برابر حملات در سناریوهای واقعی مانند پیش بینی بازار سهام، تعادل بار مصرفی انرژی و مدل سازی اپیدمی ها موردبحث قرار گرفته است. علاوه بر این، چالش های کلیدی پژوهشی همچون فقدان معیارهای استاندارد برای سنجش حملات تخاصمی، توازن میان تاب آوری و هزینه محاسباتی، و نیاز به تفسیرپذیری در سامانه های پیش بینی موردتاکید قرار گرفته است. این مرور به دنبال پر کردن شکاف میان حوزه های پیش بینی سری زمانی و یادگیری ماشین تخاصمی بوده و مسیرهای آتی پژوهش را برای توسعه مدل های قابل اعتماد، تفسیرپذیر و مقاوم ترسیم می کند.

کلیدواژه ها:

پیش بینی سری زمانی ، یادگیری ماشین مقاوم ، حملات تخاصمی ، امنیت سایبری