طراحی و پیاده سازی چارچوب امنیتی تطبیقی هوشمند مبتنی بر یادگیری عمیق برای تشخیص و واکنش بلادرنگ به تهدیدات در شبکه های کامپیوتری

افزایش روزافزون پیچیدگی و سرعت حملات سایبری، کارایی سامانه های تشخیص نفوذ سنتی را با چالش جدی مواجه کرده است. این سامانه ها عمدتا تنها نقش شناسایی تهدید را بر عهده دارند و فاقد قابلیت تصمیم گیری پویا و واکنش تطبیقی هستند. در این پژوهش، یک چارچوب امنیتی تطبیقی هوشمند ارائه می شود که با بهره گیری از مدل ترکیبی Hybrid CNN–LSTM برای تشخیص بلادرنگ تهدیدات شبکه و یک ماژول تصمیم گیری مبتنی بر یادگیری تقویتی، قادر است واکنش مناسب و خودکار را نسبت به حملات اتخاذ نماید. چارچوب پیشنهادی شامل سه لایه ی اصلی است: لایه ی تشخیص برای استخراج ویژگی ها و تحلیل رفتاری ترافیک، لایه ی تصمیم برای انتخاب واکنش بهینه بر پایه ی شدت تهدید و هزینه ی اقدام، و لایه ی واکنش برای اعمال اقدامات حفاظتی در سطح شبکه. داده های آموزشی از مجموعه ی CICIDS۲۰۱۷ و داده های شبیه سازی شده در محیط Mininet گردآوری شده اند. ارزیابی ها با معیارهای دقت (Accuracy)، ضریب F۱، نرخ آلارم کاذب (FPR)، و زمان واکنش نشان می دهند که مدل پیشنهادی نسبت به روش های کلاسیک (SVM، RF) و مدل های منفرد CNN یا LSTM از عملکرد بالاتری برخوردار است. این چارچوب می تواند به عنوان پایه ای برای طراحی سامانه های دفاعی هوشمند در محیط های IoT و SDN مورد استفاده قرار گیرد و گامی موثر در جهت توسعه ی امنیت تطبیقی شبکه های نسل آینده باشد.

کلیدواژه ها:

امنیت تطبیقی ، تشخیص نفوذ ، یادگیری عمیق ، شبکه های کامپیوتری ، واکنش هوشمند