سامانه های شناختی تشخیص نفوذ در بستر شبکه: شناسایی ناهنجاری ها و کدهای مخرب جهت ارتقای تاب آوری در برابر آسیب پذیری های zerodays

سامانه های سنتی تشخیص نفوذ شبکه (NIDS) به دلیل رانش مفهومی (Concept Drift)، نرخ بالای هشدارهای کاذب و انطباق پذیری محدود، با چالش های مستمری در تشخیص حملات روز صفر مواجه هستند. این پژوهش یک سامانه شناختی تشخیص نفوذ شبکه (CNIDS) را معرفی می کند که نوآوری اصلی آن بر این بینش استوار است که تاب آوری قوی در برابر حملات روز صفر ناشی از هیچ مکانیسم مجزایی نبوده، بلکه حاصل تعامل هم افزا میان یادگیری بازنمایی مداوم، حافظه برداری پایدار و بازخورد همراستا با انسان است. با بازتعریف تاب آوری روز صفر به عنوان یک پیوستار یادگیری مستمر به جای یک وظیفه طبقه بندی ایستا، CNIDS رفتار عملیاتی انطباقی را بر دقت خام خودکار اولویت می دهد.چارچوب پیشنهادی سه مولفه اصلی را یکپارچه می سازد: پیش آموزش مداوم (CPT) برای هم راستاسازی بازنمایی داده ها با پویایی های در حال تکامل ترافیک شبکه، تنظیم دقیق نظارت شده (SFT) برای حفظ دقت بالا روی امضاهای تهدید شناخته شده، و یک سیگنال تقویتی انسان در-حلقه (HRS) که هشدارهای مبهم و با اعتماد پایین را به به روزرسانی های یادگیری ساختاریافته تبدیل می کند. این اجزا از طریق یک پایگاه داده برداری که به عنوان حافظه اپیزودیک طولانی مدت عمل می کند، یکپارچه شده اند و در نتیجه استدلال مبتنی بر تشابه و تعمیم میان داده ای را امکان پذیر می سازند.آزمایش های حذف (Ablation) نشان می دهند که حذف هر یک از اجزا به طور شدیدی انطباق پذیری روز صفر را مختل می کند: حذف CPT آسیب پذیری در برابر رانش مفهومی را افزایش می دهد، حذف حافظه برداری مانع از حفظ دانش تاریخی می شود، و حذف بازخورد انسانی باعث پسرفت سیستم به استنتاج ایستا می گردد. این سامانه با ارزیابی از طریق یک پروتکل سخت گیرانه حذف کلاس روز صفر در پایگاه های داده استاندارد NSL-KDD، UNSW-NB۱۵ و CICIDS۲۰۱۷، نرخ تشخیص روز صفر را از ۰٪ به ۱۸.۲٪ افزایش می دهد، در حالی که دقت عملیاتی بیش از ۸۰٪ را حفظ کرده و نرخ هشدارهای کاذب را به طور پایدار سرکوب می کند.

کلیدواژه ها:

تشخیص نفوذ شبکه شناختی ، یادگیری انسان در-حلقه ، حافظه پایگاه داده برداری ، انطباق پذیری روز صفر ، امنیت شبکه.