ترکیب تحلیل هوشمند کلان داده و سامانه های اطلاع رسانی رویداد و مدیریت امنیت (SIEM) برای دفاع خودکار و واکنش محور در برابر حملات روز-صفر (Zero-Day)

حملات روز-صفر (Zero-Day) به دلیل ناشناخته بودن الگوهای رفتاری و فقدان امضاهای شناخته شده، تهدیدی جدی برای سامانه های اطلاعاتی مدرن محسوب می شوند. در این مقاله، یک چارچوب یکپارچه مهندسی شده برای تشخیص و واکنش خودکار به حملات روز-صفر ارائه می شود که تحلیل هوشمند مبتنی بر یادگیری ماشین و یادگیری عمیق را با جریان های کلان داده و قابلیت های SIEM/SOAR تلفیق می کند. سیستم پیشنهادی شامل لایه جمع آوری و پردازش بلادرنگ داده ها (stream processing + data lake)، ماژول های تشخیص ناهنجاری / novel-detection شامل روش های zero-shot و autoencoder، و یک لایه تصمیم گیر خودکار که خروجی های مدل ها را به اقدامات واکنشی در SIEM/ SOAR ترجمه می کند، می باشد. طراحی پیشنهادی بر پایه بررسی و تلفیق دستاوردهای علمی اخیر (۲۰۲۳-۲۰۲۵) بنا شده و معیارهای ارزیابی ویژه برای سنجش قابلیت تشخیص روز-صفر (از جمله معیارهای MTTR، FPR، Z-DR) معرفی شده اند. مقاله چارچوب پیاده سازی، مجموعه آزمایش ها، ابزارهای پیشنهادی و محدودیت های عملی را به تفصیل توضیح می دهد. نتایج موردانتظار نشان می دهد که رویکرد ترکیبی می تواند تعمیم پذیری بهتری نسبت به حملات دیده نشده و کاهش زمان واکنش (MTTR) فراهم آورد.

کلیدواژه ها:

حملات روز-صفر ، Zero-Day ، تحلیل کلان داده ، SIEM ، تشخیص ناهنجاری ، zero-shot learning ، autoencoder ، واکنش خودکار ، SOAR ، novelty detection