کاربرد یادگیری ماشین در تشخیص ناهنجاری های شبکه

با گسترش روزافزون زیرساخت های شبکه های کامپیوتری و افزایش پیچیدگی حملات سایبری، سیستم های تشخیص نفوذ سنتی (مبتنی بر امضا) به دلیل ناتوانی در شناسایی حملات روز - صفر و حجم بالای ترافیک، کارایی خود را از دست داده اند. در این میان، یادگیری ماشین به عنوان یک ابزار قدرتمند برای شناسایی خودکار و هوشمند الگوهای ناهنجار در ترافیک شبکه ظهور کرده است. این مقاله به بررسی و تحلیل کاربرد الگوریتم های مختلف یادگیری ماشین، از جمله یادگیری نظارت شده، نظارت نشده و تقویت شده، در تشخیص ناهنجاری های شبکه می پردازد. ما ضمن مرور روش های پیش پردازش داده ها و استخراج ویژگی های کلیدی در ترافیک شبکه، چالش های اساسی این حوزه نظیر عدم تعادل مجموعه داده ها، نیاز به تفسیرپذیری مدل ها و نرخ بالای هشدارهای کاذب را مورد بررسی قرار می دهیم. نتایج حاصل از مطالعات نشان می دهد که ترکیب مدل های یادگیری عمیق با روش های یادگیری گروهی، قابلیت اطمینان و دقت سیستم های تشخیص ناهنجاری را به شکل قابل توجهی ارتقا داده است. در نهایت، این مقاله مسیرهای تحقیقاتی آینده را با تمرکز بر یادگیری فدرال و هوش مصنوعی توضیح پذیر برای افزایش امنیت شبکه های نسل جدید ترسیم می کند.

کلیدواژه ها:

تشخیص ناهنجاری شبکه ، یادگیری ماشین ، یادگیری عمیق ، امنیت سایبری ، سیستم های تشخیص نفوذ.