هم افزایی یادگیری عمیق و جنگل تصادفی برای تشخیص نفوذ پیشرفته در محیط های کلان داده و اینترنت اشیا

تشخیص نفوذ در شبکه های پیچیده امروزی نظیر اینترنت اشیاء و شبکه های نرم افزار محور، با چالش های سه گانه ابعاد بالای ویژگی ها، عدم تعادل شدید کلاس ها و تشخیص حملات ناشناخته روز (صفر) مواجه است. این مقاله مروری با هدف ارائه یک تحلیل جامع بر رویکردهای ترکیبی و بهینه سازی شده تمرکز دارد که از مزایای ساختاری یادگیری عمیق و جنگل تصادفی برای غلبه بر این محدودیت ها بهره می برند. بررسی ها نشان می دهند که مدل های هیبریدی مانند روش ترکیبی خود رمزگذار جنگل تصادفی از توانایی یادگیری عمیق در فشرده سازی ویژگی ها استفاده می کنند و سپس با بهره گیری از سرعت و دقت بالای جنگل تصادفی به نرخ تشخیص چشمگیری دست می یابند. علاوه بر این، رویکردهای پیشرفته ای نظیر جنگل تصادفی عمیق مقیاس پذیری بالایی را برای محیط های کلان داده مانند پلتفرم اسپارک فراهم می کنند، در حالی که تکنیک های بهینه سازی شامل انتخاب ویژگی چند سطحی و استفاده از یادگیری حساس به هزینه، توانسته اند دقت طبقه بندی را به بالاتر از ۹۹ برسانند. این مقاله معماری های کلیدی، مکانیزم های بهینه سازی و نتایج مقایسه ای این مدل ها را در مجموعه داده های استاندارد نظیر NSL-KDD و CICIDS تحلیل می کند تا یک نقشه راه علمی برای توسعه نسل آتی تشخیص نفوذهای مبتنی بر هوش مصنوعی ارائه دهد.

کلیدواژه ها:

تشخیص نفوذ ، یادگیری عمیق ، جنگل تصادفی ، خود رمزگذار ، شبکه های نرم افزار محور ، اینترنت اشیاء ، کلان داده ، انتخاب ویژگی ، عدم تعادل کلاس ها ، حملات روز صفر ، یادگیری گروهی ، مقیاس پذیری