امنیت در سیستم های تشخیص نفوذ مبتنی بر یادگیری ماشین (ML/IDS)

سیستم های تشخیص نفوذ مبتنی بر یادگیری ماشین، به عنوان خط مقدم دفاع در برابر تهدیدات سایبری پیچیده، به طور فزاینده ای در معرض حملات تقلبی قرار گرفته اند. این حملات با اعمال تغییرات نامحسوس در داده های ورودی، باعث گمراهی مدل و کاهش چشمگیر دقت تشخیص می شوند. این پژوهش به منظور مقابله با این چالش، یک چارچوب دفاعی یکپارچه و چندلایه با عنوان MLRDF را پیشنهاد می دهد. هسته اصلی این چارچوب، ترکیب سه مکانیسم آموزش تقلبی، تشخیص ناهنجاری و تضعیف گرادیان است تا مقاومت همزمان در برابر حملات جعبه سفید و جعبه سیاه فراهم شود. ارزیابی تجربی بر روی دیتاست CIC-IDS۲۰۱۷ نشان می دهد که چارچوب پیشنهادی به طور میانگین نرخ موفقیت حملات را به زیر ۲۵٪ کاهش داده و در عین حال، دقت سیستم در شرایط عادی را نیز حفظ می کند. نتایج، گام موثری در راستای ایمن سازی سیستم های هوشمند تشخیص نفوذ محسوب می شود.

کلیدواژه ها:

سیستم تشخیص نفوذ ، یادگیری ماشین ، حملات تقلبی ، امنیت هوش مصنوعی ، چارچوب دفاعی چندلایه