شناسایی ناهنجاری و حملات در پایگاه داده با رویکردهای یادگیری عمیق

با گسترش روز افزون سامانه های مبتنی بر داده پایگاه های داده به عنوان یکی از دارایی های حیاتی سازمان ها هدف اصلی طیف وسیعی از حملات سایبری قرار گرفته اند. روش های سنتی تشخیص نفوذ به دلیل اتکا به امضاهای از پیش تعریف شده و ناتوانی در شناسایی الگوهای پیچیده و پویا پاسخگوی نیازهای امنیتی کنونی نیستند. این پژوهش یک چارچوب جامع برای شناسایی ناهنجاری و حملات در پایگاه های داده با رویکردهای یادگیری عمیق ارائه می دهد که حاصل سنتز و تحلیل یازده مطالعه به روز در این حوزه است. چارچوب پیشنهادی شامل پنج لایه اصلی است: [۱] پیش پردازش و بازنمایی داده شامل روش های VecWord استخراج الگوهای ترتیبی با PrefixSpan و بازنمایی گرافی؛ [۲] استخراج ویژگی با استفاده از خودرمزگذارها و شبکه های عصبی پیچشی (CNN)؛ [۳] مدل سازی وابستگی های زمانی و مکانی با بهره گیری از حافظه کوتاه مدت بلند (LSTM)، شبکه های پیچشی زمانی (TCN)، و شبکه های عصبی گرافی (GNN)؛ [۴] بهینه سازی و هم راستا سازی از طریق الگوریتم NSGA-II و بهینه سازی ترجیحی متناوب (APO)؛ و [۵] تشخیص و تصمیم گیری با طبقه کننده هایی مانند ماشین بردار پشتیبان تک کلاسه (OCSVM) و طبقه کننده های مبتنی بر BERT. ارزیابی این چارچوب بر روی مجموعه داده های متنوع دقت بالای ۹۹ را در تشخیص پرسش های ناهنجار و حملات تزریق SQL نشان می دهد. همچنین روش های نوین هم راستا سازی ایمنی مانند (SAFENLIDB) موفق به کاهش ۷۰٪ حملات تزریق سریع در سیستم های متن به SQL شده اند. یافته های این پژوهش می تواند به عنوان نقشه راهی برای طراحی و پیاده سازی سیستم های تشخیص نفوذ نسل آینده در پایگاه های داده مورد استفاده قرار گیرد.

کلیدواژه ها:

شناسایی ناهنجاری ، پایگاه داده ، یادگیری عمیق ، تزریق (SQL SQLi) ، شبکه های عصبی بازگشتی ، بهینه سازی فراپارامتر