مدل ترکیبی مبتنی بر شبکه های مولد تخاصمی (WGAN-GP) و یادگیری نیمه نظارتی همراه با برچسب گذاری خودکار برای شناسایی حملات روز صفر در سامانه های تشخیص نفوذ شبکه

مقدمه و بیان مسئله: سامانه های تشخیص نفوذ شبکه (NIDS) سنتی در مواجهه با حملات روز صفر (Zero-day) و اخلال شدید نامتوازن بودن کلاس های ترافیکی غلبه ترافیک عادی بر ترافیک حملات اقلیت با افت شدید نرخ بازخوانی و نرخ بالای هشدارهای کاذب مواجه هستند. از سوی دیگر وابستگی به داده های برچسب دار آکادمیک پویایی دفاع سایبری را سلب می کند. نوآوری و معماری پیشنهادی: این پژوهش یک معماری ترکیبی دو مرحله ای انطباقی ارائه می دهد. در فاز نخست، جهت توازن آماری کلاس های اقلیت مخرب از شبکه مولد تخاصمی و اشرشتاین با جریمه گرادیان (WGAN-GP) استفاده شده است تا با برقراری شرط پیوستگی، لیپشیتز پدیده فروپاشی مد (Mode Collapse) مهار شده و سناریوهای ترافیکی مصنوعی باکیفیت سنتز شوند. در فاز دوم از یک رمزگذار خودکار مبتنی بر حافظه طولانی کوتاه مدت (LSTM Autoencoder) برای استخراج ویژگی های توالی محور و وابسته به زمان جریان های عادی استفاده شده است. فرآیند نوآورانه برچسب گذاری خودکار استنتاجی (Auto-labeling) بر پایه خطای بازسازی (MSE)، جریان های ناشناخته و نفوذهای روز صفر را بدون دخالت متخصص انسانی هویت دار می کند. یافته ها و نتایج: ارزیابی تجربی مدل بر روی مجموعه داده معتبر ۲۰۱۷ CIC-IDS در محیط PyTorch نشان داد که نرخ بازخوانی (Recall) مدل از ۷۵.۳۰۰ در مدل پایه به ۹۱.۴۸٪ در مدل تقویت شده (Xboosted) ارتقا یافته و امتیاز F۱ به ۹۲.۶۵٪ و سطح زیر منحنی تفکیک پذیری (AUC-ROC) به ۹۵ رسیده است. این مدل پایداری بالایی را در بازسازی و برچسب گذاری خودکار ۸۵.۲۸٪ از تهدیدات ناشناخته با آستانه بهینه ۰.۰۱۵۰ نشان می دهد.

کلیدواژه ها:

سامانه تشخیص نفوذ شبکه (NIDS) ، شبکه WGAN-GP ، رمزگذار خودکار LSTM ، یادگیری نیمه نظارتی (SSL) ، حملات روز صفر ، مجموعه داده CIC IDS-۲۰۱۷