کاربرد محاسبات نرم و تحلیل داده های پیشرفته در امنیت شبکه های کامپیوتری و سیستم های هوشمند

با گسترش روزافزون حملات سایبری پیچیده و تطبیق پذیر، روش های سنتی مبتنی بر امضا (Signature-based) کارایی خود را در شناسایی تهدیدات ناشناخته (Zero-day) از دست داده اند. این مقاله یک چارچوب پژوهشی مبتنی بر ترکیب محاسبات نرم (Soft Computing) و تحلیل داده های پیشرفته برای تشخیص ناهنجاری (Anomaly Detection) در ترافیک شبکه های کامپیوتری ارائه می دهد. روش پیشنهادی بر پایه یک مدل ترکیبی از منطق فازی نوع-۲ (Type-۲ Fuzzy Logic) و شبکه عصبی کانولوشنی (CNN) برای استخراج خودکار ویژگی های سطح بالا از داده های ترافیک شبکه و سپس دسته بندی ناهنجاری ها بنا شده است. در این مدل، CNN برای کاهش ابعاد و استخراج الگوهای زمانی-مکانی در داده های سری زمانی ترافیک به کار می رود و خروجی های آن به عنوان ورودی به سیستم استنتاج فازی نوع-۲ منتقل می شوند تا عدم قطعیت ذاتی در داده های امنیتی به طور موثر مدل سازی شود. ارزیابی های کمی بر روی مجموعه داده های استاندارد نشان داد که رویکرد ترکیبی پیشنهادی در مقایسه با روش های متداول، دقت (Accuracy) و امتیاز F۱ بالاتری را در شناسایی حملات ناشناخته کسب می کند، که نشان دهنده قابلیت بالای این چارچوب در مقابله با تهدیدات پویا و پنهان است.

کلیدواژه ها:

امنیت شبکه ، محاسبات نرم ، منطق فازی نوع-۲ ، یادگیری عمیق ، تشخیص ناهنجاری ، تحلیل داده های پیشرفته