بررسی روش های یادگیری ماشین در تشخیص نفوذ و حملات سایبری در شبکه های کامپیوتری و سیستم های توزیع شده

گسترش روزافزون شبکه های کامپیوتری و سیستم های توزیع شده در دهه اخیر، امنیت سایبری را به یکی از مهم ترین چالش های دنیای فناوری اطلاعات تبدیل کرده است. روش های سنتی تشخیص نفوذ که بر پایه قوانین ثابت و امضاهای شناخته شده عمل می کنند، در برابر حملات پیچیده و ناشناخته امروزی ناکارآمد هستند. در این پژوهش، کاربرد روش های یادگیری ماشین و یادگیری عمیق در سیستم های تشخیص نفوذ (IDS) برای شبکه های کامپیوتری و سیستم های توزیع شده بررسی می شود. سه رویکرد اصلی شامل جنگل تصادفی (Random Forest)، شبکه های عصبی بازگشتی LSTM و ماشین بردار پشتیبان (SVM) مورد تحلیل و مقایسه قرار می گیرند. همچنین چالش های خاص سیستم های توزیع شده از جمله تشخیص حملات در محیط های ابری و پردازش موازی بررسی می شود. نتایج نشان می دهد که الگوریتم های یادگیری ماشین به ویژه در ترکیب با یکدیگر، می توانند دقت تشخیص نفوذ را تا بیش از ۹۸ درصد افزایش دهند و نرخ هشدارهای کاذب را به طور چشمگیری کاهش دهند. این مقاله همچنین یک معماری ترکیبی پیشنهادی برای تشخیص تهدیدات در سیستم های توزیع شده ارائه می دهد که می تواند مبنای تحقیقات آینده در این حوزه باشد.

کلیدواژه ها:

یادگیری ماشین ، تشخیص نفوذ ، امنیت شبکه ، سیستم های توزیع شده ، یادگیری عمیق