روش تشخیص ناهنجاری برای شبکه های توزیع هوشمند با استفاده از خودرمزگذارها

تکنیک های تشخیص ناهنجاری شبکه به طور گسترده ای در حوزه امنیت شبکه های توزیع هوشمند به کار گرفته شده اند، با این حال، هنوز در مواجهه با حملات پیچیده شبکه با چالش های متعددی روبرو هستند. انجام پژوهش بر روی روش های کارآمد تشخیص ناهنجاری شبکه برای امنیت و پایداری شبکه های توزیع هوشمند از اهمیت بالایی برخوردار است. به دلیل مشکلاتی نظیر نیاز به استخراج ویژگی های گسترده و مدیریت ضعیف داده های نامتوازن که منجر به نرخ تشخیص پایین و نرخ هشدار کاذب بالا می شود، این مقاله روشی را برای تشخیص ناهنجاری شبکه با ادغام خودرمزگذارها (Autoencoders) پیشنهاد می دهد. در ابتدا، از تکنیک نمونه برداری بیش از حد اقلیت مصنوعی (SMOTE) برای گسترش نمونه های کلاس های اقلیت در ناهنجاری های شبکه استفاده شده است که مشکل توزیع نامتوازن داده ها را حل کرده و مجموعه داده متعادل تری را شکل می دهد. سپس، از خودرمزگذارها برای کاهش ابعاد داده و حذف نویز استفاده می شود تا ضمن حفظ اطلاعات ضروری داده ها، دقت تشخیص ناهنجاری افزایش یابد. در نهایت، یک مدل شبکه IDS-CNN بهبودیافته با تنظیم ساختار لایه های کانولوشنی و ادغامی (Pooling) و ترکیب آن با شبکه BiLSTM چندلایه توسعه یافته است که موجب ارتقای توانایی تشخیص و اثرات طبقه بندی برای ناهنجاری های شبکه می گردد. به منظور تایید عملکرد روش پیشنهادی، آزمایش هایی بر روی مجموعه داده های NSL-KDD و CICIDS۲۰۱۷ انجام شده است. در مقایسه با روش های رایج، نرخ تشخیص رفتارهای غیرطبیعی شبکه در روش پیشنهادی ۱.۳۲ درصد بهبود یافته است که از دقت تشخیص بالایی برخوردار است.

کلیدواژه ها:

امنیت شبکه ، تشخیص ناهنجاری ، BiLSTM چندلایه ، تکنیک نمونه برداری بیش از حد اقلیت مصنوعی