تشخیص ناهنجاری در ترافیک شبکه با استفاده از مدل ترکیبی CNN-BiLSTM و تحلیل تفسیرپذیر مبتنی بر SHAP در مجموعه داده CICIDS۲۰۱۷

تشخیص ناهنجاری در ترافیک شبکه نقش مهمی در پیشگیری از حملات سایبری و ارتقای سطح امنیت سیستم های اطلاعاتی ایفا می کند. با توجه به پیچیدگی فزاینده الگوهای ترافیک و ظهور تهدیدات نوین، روش های سنتی مبتنی بر یادگیری ماشین به تنهایی قادر به شناسایی دقیق ناهنجاری ها نیستند. در این پژوهش، یک چارچوب نوین مبتنی بر ترکیب شبکه عصبی کانولوشنی (CNN) و حافظه بلند کوتاه مدت دوجهته (BiLSTM) با لایه توجه (Attention) برای استخراج الگوهای مکانی-زمانی ناهنجاری های ترافیکی پیشنهاد شده است. به منظور افزایش شفافیت تصمیمات مدل، از چارچوب تفسیرپذیر SHAP جهت تحلیل نقش ویژگی ها در پیش بینی نهایی استفاده شده است. همچنین، به جای استفاده از داده های قدیمی و غیرواقعی، از مجموعه داده CICIDS۲۰۱۷ که شامل حملات مدرن در محیطی شبیه سازی شده است بهره گرفته شده است. نتایج نشان می دهد که مدل پیشنهادی با حفظ تعادل میان دقت، یادآوری و تفسیرپذیری، توانایی بالایی در شناسایی ناهنجاری های پنهان در داده های پیچیده و نامتوازن دارد. این پژوهش گامی موثر در جهت طراحی سیستم های تشخیص نفوذ پیشرفته، تفسیرپذیر و کاربردی در شرایط واقعی محسوب می شود.

کلیدواژه ها:

تشخیص ناهنجاری ، ترافیک شبکه ، یادگیری عمیق ، CNN-BiLSTM ، SHAP ، تفسیرپذیری ، امنیت سایبری ، مجموعه داده CICIDS۲۰۱۷ ، لایه توجه ، یادگیری نیمه نظارتی