چارچوب تشخیص تهدیدات تطبیقی مبتنی بر یادگیری عمیق تفسیرپذیر و تحلیل رفتار بیومتریک کاربر برای مقابله با حملات Zero-Day در برنامه های کاربردی وب

با افزایش پیچیدگی حملات سایبری و ظهور تهدیدات پایدار پیشرفته (APT) سیستم های تشخیص نفوذ (IDS) سنتی مبتنی بر امضا و الگوهای از پیش تعریف شده کارایی خود را در برابر حملات Zero-Day از دست داده اند. این مقاله، یک چارچوب امنیتی نوآورانه موسوم به XAI-WebGuard را پیشنهاد می کند که برای اولین بار، ترکیب سه لایه ای از شبکه های عصبی گراف تطبیقی (Adaptive GNN)، تحلیل رفتار بیومتریک کاربر (UBA) مبتنی بر دینامیک ضربه کلید و حرکات ماوس و مدل های تفسیرپذیر هوش مصنوعی (XAI) با استفاده از الگوریتم SHAP را به کار می گیرد. ایده مرکزی این پژوهش استفاده از گراف دانش زمینه ای (Contextual Knowledge Graph) برای مدل سازی روابط زمانی مکانی بین درخواست های HTTP و رفتارهای کاربر است که امکان تشخیص ناهنجاری های ریز (Micro-Anomalies) را پیش از بروز آسیب جدی فراهم می سازد. نتایج شبیه سازی بر روی داده های واقعی ۲۰۱۷ CICIDS و ترافیک وب سایت فروشگاهی نشان دهنده دقت ۹۸.۷ و نرخ هشدار غلط ۰.۳٪ است که نسبت به روش های CNN-LSTM مرسوم بهبود ۱۲۰ درصد در تشخیص حملات ناشناخته (Zero-Day) را به همراه دارد.

کلیدواژه ها:

امنیت وب ، یادگیری عمیق تفسیرپذیر ، تحلیل رفتار کاربر ، تشخیص حملات Zero-Day ، شبکه های عصبی گراف ، امنیت تطبیقی