افزایش امنیت در شبکه های موبایل ۵G با استفاده از مدل های یادگیری ماشین برای تشخیص نفوذ

با گسترش روزافزون شبکه های نسل پنجم (۵G) و افزایش وابستگی صنایع حیاتی به آن تهدیدات امنیتی نیز پیچیده تر و متنوع تر شده اند. ساختار توزیع شده، تاخیر پایین و ظرفیت بالای ۵G از یک سو فرصت هایی بی سابقه برای توسعه خدمات ارتباطی فراهم کرده اما از سوی دیگر سطح حملات را نیز گسترش داده است. در این میان روش های سنتی امنیت شبکه به دلیل تکیه بر امضاهای شناخته شده و ناتوانی در تشخیص حملات جدید، پاسخگوی نیازهای امنیتی شبکه های نوین نیستند. در این پژوهش یک چارچوب تشخیص نفوذ مبتنی بر یادگیری ماشین با تمرکز بر الگوریتم XGBoost برای شناسایی تهدیداتی چون Spoofing و حملات DDoS در بستر شبکه های ۵G ارائه شده است. داده های مورد استفاده از مجموعه و استاندارد CICIDS۲۰۱۷ استخراج شده و مدل های مختلف از جمله SVM، Random Forest، XGBoost مورد مقایسه قرار گرفتند. معیارهای ارزیابی شامل دقت، نرخ شناسایی، نرخ هشدار غلط و زمان پیش بینی بودند. نتایج به دست آمده نشان می دهد که مدل XGBoost با دقت ۹۷.۶ و نرخ هشدار غلط ۲.۱ نسبت به سایر مدل ها عملکرد بهتری دارد. علاوه بر این زمان پیش بینی پایین این مدل کمتر از ۷۰۰ میلی ثانیه آن را برای پیاده سازی در محیط های لبه (Edge Computing) و بلادرنگ مناسب ساخته است. این پژوهش نشان می دهد که بهره گیری از الگوریتم های یادگیری ماشین به ویژه مدل های درختی می تواند راهکاری موثر و عملی برای ارتقاء امنیت در زیرساخت های ۵G باشد.

کلیدواژه ها:

شبکه های ۵G ، امنیت سایبری ، تشخیص نفوذ ، یادگیری ماشین ، XGBoost