یک چارچوب سبک وزن تشخیص نفوذ مبتنی بر یادگیری فدرال با استفاده از شبکه های عصبی مصنوعی وزن دهی شده با ویژگی های تطبیقی

با گسترش روزافزون تهدیدات سایبری، توسعه سیستم های تشخیص نفوذ توزیع شده با چالش های جدی در زمینه حفظ حریم خصوصی داده های حساس شبکه و محدودیت های پردازشی مواجه شده است. در این پژوهش، یک چارچوب توزیع شده، مستقل و سبک وزن برای سیستم های تشخیص نفوذ بر پایه معماری یادگیری فدرال ارائه شده است. روش پیشنهادی در فاز نخست با بهره گیری از معیار بهره اطلاعاتی به صورت فدرال، ویژگی های نویزی و مازاد مجموعه داده استاندارد NSL-KDD را حذف کرده و ابعاد داده ها را کاهش می دهد. در فاز دوم، یک شبکه عصبی پرسپترون چندلایه سبک وزن پنج لایه طراحی شده است که با استفاده از روش کدگذاری عددی و تبدیل مسئله به یک ساختار دودویی (عادی و حمله)، فرآیند آموزش محلی را در کلاینت ها انجام می دهد. در این ساختار، کلاینت ها تنها پارامترها و وزن های مدل را با سرور مرکزی تبادل کرده و داده های خام ترافیک هرگز از محیط محلی خارج نمی شوند. ارزیابی مدل در سناریوهای مختلف با تعداد کلاینت های متغیر نشان داد که افزایش تعداد کلاینت ها، تاثیر مستقیمی بر روند همگرایی و تعادل معیارهای عملکردی دارد. بر اساس نتایج تجربی، پیکربندی سیستم با ۳ کلاینت به عنوان حالت بهینه شناسایی شد؛ به طوری که مدل سراسری در راندهای پایانی به بالاترین میزان صحت کل (حدود ۰٫۹۴) و نرخ فراخوانی (فراتر از ۰٫۹۰) دست یافت. این نتایج اثبات می کند که چارچوب پیشنهادی ضمن کاهش نرخ منفی کاذب، تعادل بهینه ای میان حفظ محرمانگی داده ها و ارتقای کارایی برقرار می سازد.

کلیدواژه ها:

یادگیری فدرال ، سیستم تشخیص نفوذ ، امنیت شبکه ، الگوریتم تجمیع فدرال.