مروری بر روش های هوش مصنوعی تفسیر پذیر در سیستم های تشخیص نفوذ مبتنی بر یادگیری عمیق با تمرکز بر SHAP و LIME در مواجهه با حملات صفر - روز

با افزایش حملات صفر روز سیستم های تشخیص نفوذ به سمت مدل های یادگیری عمیق مانند CNN و Bi-GRU حرکت کرده اند، اما ماهیت «جعبه سیاه» آنها باعث کاهش اعتماد در مراکز امنیتی می شود. این مقاله رویکردهای هوش مصنوعی تفسیر پذیر (XAI) را با تمرکز بر SHAP و LIME مرور می کند. بیشتر ارزیابی ها روی ترافیک های جدید در دیتاست های CIC-IDS۲۰۱۸ و UNSW-NB۱۵ انجام شده و با حملات صفر روز واقعی تفاوت دارند اما این بررسی ها امکان سنجش عملکرد XAI نمونه های غیر آموزش دیده را فراهم می کنند. نتایج نشان می دهد SHAP پایداری بالاتری دارد، LIME برای محیط های زمان واقعی مناسب تر است و ترکیب این دو رویکرد می تواند تفسیر پذیری مقاوم ارائه دهد.

کلیدواژه ها:

هوش مصنوعی تفسیر پذیر ، XAI ، سیستم تشخیص نفوذ (IDS) ، یادگیری عمیق (Deep Learning) ، حملات صفر روز (Zero-Day Attacks) ، LIME ، SHAP