تشخیص حملات سایبری با استفاده از یادگیری عمیق و یادگیری ماشین: روش ها، چالش ها

با گسترش فناوری اطلاعات، رایانش ابری، اینترنت اشیا و خدمات آنلاین، حملات سایبری نیز از نظر تعداد، پیچیدگی و تنوع رشد چشمگیری داشته اند. روش های سنتی تشخیص نفوذ که عمدتا مبتنی بر امضا و قوانین از پیش تعریف شده هستند، در برابر حملات نوظهور و ناشناخته عملکرد مناسبی ندارند. در سال های اخیر، استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق به عنوان راهکاری هوشمند برای شناسایی تهدیدات سایبری مورد توجه پژوهشگران قرار گرفته است. این الگوریتم ها قادرند با یادگیری الگوهای رفتاری موجود در داده های شبکه، فعالیت های عادی را از رفتارهای مخرب تشخیص دهند و نرخ شناسایی حملات را افزایش دهند. در این مقاله، مهم ترین روش های مبتنی بر یادگیری ماشین شامل درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی، نزدیک ترین همسایه و بیز ساده و همچنین مدل های یادگیری عمیق نظیر شبکه های عصبی کانولوشنی، شبکه های عصبی بازگشتی، حافظه بلندمدت کوتاه مدت، خودرمزگذارها و ترنسفورمرها بررسی می شوند. علاوه بر این، چالش های مهمی مانند کمبود داده های برچسب خورده، عدم توازن داده ها، هزینه محاسباتی بالا، حملات خصمانه و قابلیت تفسیر مدل ها مورد بحث قرار می گیرد. در پایان نیز روندهای آینده شامل یادگیری فدرال، هوش مصنوعی توضیح پذیر، یادگیری انتقالی و سیستم های امنیتی خودکار معرفی می شوند. نتایج این مطالعه نشان می دهد که ترکیب یادگیری ماشین و یادگیری عمیق می تواند دقت و سرعت سیستم های تشخیص نفوذ را به طور قابل توجهی افزایش داده و نقش مهمی در ارتقای امنیت سایبری ایفا کند.

کلیدواژه ها:

امنیت سایبری ، تشخیص نفوذ ، یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی