طراحی و ارزیابی سامانه تشخیص نفوذ هوشمند مبتنی بر یادگیری عمیق برای پایگاه داده ها

با افزایش پیچیدگی و تنوع حملات سایبری علیه سامانه های مبتنی بر وب و پایگاه های داده استفاده از روش های سنتی تشخیص نفوذ مبتنی بر امضا و قواعد ثابت با محدودیت های جدی در شناسایی حملات نوظهور و پیچیده مواجه شده است. در این راستا رویکردهای مبتنی بر یادگیری عمیق به عنوان راهکارهایی کارآمد برای استخراج خودکار الگوهای پنهان و بهبود دقت تشخیص مورد توجه قرار گرفته اند. این مقاله به بررسی و مقایسه تحلیلی دو رویکرد پیشرفته یادگیری عمیق برای تشخیص حملات پایگاه داده می پردازد که یکی مبتنی بر شبکه های عصبی پیچشی و دیگری مبتنی بر شبکه های عصبی بازگشتی دوجهته است. هر دو رویکرد با تکیه بر پیش پردازش دقیق داده های درخواست وب، استفاده از تعبیه سازی برداری و به کارگیری روش های بهینه سازی آموزش بر روی یک مجموعه داده معیار شامل انواع حملات متداول و پیچیده ارزیابی شده اند. نتایج تجربی نشان می دهد که معماری های مبتنی بر شبکه های عصبی پیچشی عملکرد مطلوب تری در کاهش هشدارهای مثبت کاذب از خود نشان می دهند، در حالی که مدل های مبتنی بر شبکه های بازگشتی دوجهته در شناسایی دقیق تر حملات پیچیده و کاهش خطاهای منفی کاذب توانمندتر هستند. این مقایسه بیانگر آن است که انتخاب معماری مناسب برای سامانه های تشخیص نفوذ به الزامات امنیتی و اولویت میان کاهش هشدارهای کاذب یا افزایش نرخ شناسایی حملات واقعی وابسته است. نتایج این پژوهش می تواند به عنوان مبنایی برای طراحی سامانه های تشخیص نفوذ هوشمند و تطبیقی در محیط های واقعی مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص نفوذ ، امنیت پایگاه داده ، یادگیری عمیق ، شبکه عصبی پیچشی ، شبکه عصبی بازگشتی دوجهته ، تحلیل حملات وب