برای تشخیص حملات پیشرفته سایبری مبتنی بر یادگیری عمیق فدرال در محیط های توزیع شده

امروزه با گسترش روزافزون شبکه های ارتباطی، رایانش ابری و اینترنت اشیا، حجم عظیمی از داده در محیط های توزیع شده تولید و مبادله می شود. این داده ها اغلب دارای ماهیت حساس و محرمانه هستند و سازمان ها تمایل چندانی به اشتراک گذاری مستقیم آنها با یکدیگر یا با یک مرکز واحد ندارند. از سوی دیگر، حملات سایبری نیز به طور چشمگیری پیچیده تر شده اند و روش های سنتی تشخیص نفوذ که مبتنی بر تطابق الگو یا قواعد از پیش تعریف شده هستند، دیگر پاسخگوی نیازهای امنیتی نیستند. در این مقاله، یک چارچوب جدید برای تشخیص حملات پیشرفته سایبری در محیط های توزیع شده ارائه می شود که مبتنی بر ترکیب دو رویکرد قدرتمند یادگیری عمیق و یادگیری فدرال است. بر خلاف روش های متمرکز که در آنها تمام داده های خام به یک سرور مرکزی منتقل می شوند، در چارچوب پیشنهادی این مقاله، هر گره شرکت کننده مدل یادگیری عمیق خود را به صورت محلی و تنها با استفاده از داده های خود آموزش می دهد. سپس، تنها پارامترهای به روزرسانی شده این مدل ها (نه خود داده ها) به یک سرور مرکزی ارسال می شوند. سرور مرکزی نیز این پارامترها را با استفاده از یک روش تجمیع ویژه با یکدیگر ترکیب کرده و مدل سراسری جدیدی را تولید می کند. این مدل سراسری دوباره به گره ها بازگردانده می شود و چرخه تکرار می گردد. چارچوب پیشنهادی دارای دو نوآوری اصلی است که آن را از کارهای مشابه متمایز می کند. نخست، معماری مدل یادگیری عمیق به گونه ای طراحی شده است که هم ویژگی های مکانی و هم ویژگی های زمانی موجود در ترافیک شبکه را به صورت همزمان استخراج کند. این معماری ترکیبی، با استفاده از لایه های پیچشی و لایه های بازگشتی، سبک و بهینه طراحی شده است تا بتواند حتی روی گره هایی با منابع محاسباتی محدود نیز اجرا شود. دومین نوآوری، سازوکار تجمیع مقاوم در سرور است. بر خلاف روش میانگین گیری ساده که در برابر حملات مسمومیت داده به شدت آسیب پذیر است، سازوکار پیشنهادی از آماره های مقاوم مانند میانگین پیراسته استفاده می کند تا تاثیر گره های مخرب یا گره هایی که داده های غیرعادی دارند را خنثی نماید. برای ارزیابی چارچوب پیشنهادی، از مجموعه داده استاندارد و شناخته شده CIC-IDS2017 استفاده شده است. این مجموعه داده شامل انواع مختلف حملات سایبری از جمله حملات منع سرویس توزیع شده، نفوذ و بدافزار است. این سناریو یکی از چالش برانگیزترین حالات در یادگیری فدرال محسوب می شود. پیاده سازی با استفاده از زبان برنامه نویسی پایتون و کتابخانه تنسورفلو فدرال انجام شده است. نتایج ارزیابی نشان می دهد که چارچوب پیشنهادی با دستیابی به دقت 97.3 درصد در تشخیص حملات، عملکردی بسیار نزدیک به روش متمرکز (با دقت 98.1 درصد) دارد. این در حالی است که در روش متمرکز، تمام داده های خام به یک محل منتقل می شوند که از نظر حفظ حریم خصوصی نامطلوب است. همچنین، هزینه ارتباطی چارچوب پیشنهادی در مقایسه با روش متمرکز که نیازمند ارسال حجم عظیمی از داده است، حدود 98 درصد کاهش یافته است.

کلیدواژه ها:

یادگیری عمیق فدرال ، تشخیص حملات سایبری ، محیط های توزیع شده ، حریم خصوصی داده ، تجمیع مقاوم.