ارائه یک موتور پردازش ترافیک خطی مبتنی بر یادگیری عمیق برای Snort و واکاوی معماری بهینه استقرار

در مواجهه با پیچیدگی تهدیدات سایبری، سیستم های جلوگیری از نفوذ با چالش هایی چون نرخ بالای کلمات کلیدی، هشدارهای اشتباه و ناتوانی در پردازش ترافیک با نرخ خطی مواجهند. این پژوهش چارچوب یکپارچه سیستم جلوگیری از نفوذ، استقرار، عمیق سه بعدی ارائه می دهد. در لایه هوشمندی مدل ترکیبی بهینه شده به دقت ۹۹.۵٪ و کاهش ۱۸ درصدی هشدارهای اشتباه در مجموعه داده CIC-IDS۲۰۱۸ دست یافته است. در لایه کارایی راهکارهای سایبری کنترل امنیت، یادگیری نرم افزاری کیت توسعه صفحه داده (DPDK) و ماژول بهینه سازی دریافت بسته ها (PF_RING) و سخت افزاری ناپاتک (Napatech) مقایسه شدند که راهکارهای سخت افزاری توان عملیاتی کامل (۱) گیگابیت بر ثانیه با بار پردازشی کمتر از ۵ پردازنده مرکزی (CPU) تامین کردند. در لایه معماری، تاثیر مکان یابی راهبردی سیستم جلوگیری از نفوذ بر مولفه های امنیتی و عملکردی تحلیل شده و الگوهای بهینه استقرار ارائه گردید. نوآوری اصلی در تلفیق همزمان سه محور هوش مصنوعی (AI)، کارایی پردازش و بهینه سازی معماری در یک چارچوبی منسجم است. ارزیابی های تجربی برتری چارچوب پیشنهادی در دقت تشخیص بالا، قابلیت پردازش پرباند و کارایی عملیاتی را اثبات کردند.

کلیدواژه ها:

دیواره آتش ، هوش مصنوعی ، دفاع سایبری ، کنترل امنیت ، یادگیری عمیق ، پردازش ترافیک ، معماری استقرار