تشخیص حملات سایبری صفر روزه با تحلیل کلان داده شبکه و یادگیری عمیق ناهمگن

در دهه اخیر با گسترش چشمگیر زیرساخت های شبکه ای اینترنت اشیاء (IoT) و سرویس های ابری حجم داده ی شبکه و تنوع انواع ترافیک به طور نمایی افزایش یافته است. در چنین فضایی حملات سایبری از نوع «صفر روزه» (zero day) که بر پایه آسیب پذیری های ناشناخته انجام می شوند، یکی از جدی ترین چالش ها برای امنیت شبکه هستند؛ زیرا سیستم های سنتی مبتنی بر امضا (Signature-based) یا قوانین از پیش تعریف شده قادر به شناسایی آن ها نیستند [۲][۳]. این مقاله چارچوبی نوین مطرح می کند که با ترکیب تحلیل کلان داده «شبکه Big Data Network Analytics» و یادگیری عمیق ناهمگن Hybrid Deep Learning به منظور شناسایی حملات صفر روزه می پردازد. در گام نخست داده های ترافیک شبکه از منابع متعدد (IoT سرورها، لاگ های جریان داده دستگاه های پایانی) جمع آوری، پاک سازی، نرمال سازی و پیش پردازش می شوند؛ سپس با روش هایی مثل Oversampling یا سایر روش های مدیریت نابرابری کلاس (Class imbalance) آماده سازی می شوند [۴][۵][۷]. در مرحله بعد از ترکیب مدل های یادگیری عمیق شامل خودرمزگذار (Autoencoder)، شبکه های بازگشتی زمانی (LSTM / GRU) و روش های کلاسیک یادگیری ماشین (مثل Random Forest یا XGBoost) به صورت یک سیستم Ensemble ناهمگن استفاده شده است [۶][۹][۱۰]. مدل Autoencoder، ویژگی های فشرده و نهفته (latent) ترافیک طبیعی را یاد می گیرد و ناهنجاری (Anomaly) را از طریق خطای بازسازی (Reconstruction error) تشخیص می دهد؛ در حالی که LSTM/GRU توالی های زمانی ترافیک را مدل می کند و روش های ML کلاسیک به تقویت تصمیم گیری کمک می کنند [۲][۵]. خروجی این ترکیب از طریق Soft voting یا Meta learner ادغام می شود [۱۰]. نتایج مقدماتی بر اساس تحلیل روی مجموعه داده های بزرگ و متنوع نشان می دهد که سیستم پیشنهادی قابلیت شناسایی حملات ناشناخته با دقت، فراخوان (Recall) و F۱ score بالا و نرخ مثبت کاذب (False Positive) پایین دارد [۹][۸][۱۱]. این چارچوب علاوه بر دقت بالا، مقیاس پذیری و قابلیت به روزرسانی با یادگیری مداوم (آنلاین) را نیز داراست و می تواند به عنوان پایه ای برای سیستم های دفاعی پیش رونده (Proactive) در محیط های شبکه ای وسیع مورد استفاده قرار گیرد [۷][۱۰].

کلیدواژه ها:

صفر روزه ، تحلیل داده های کلان ، شناسایی نفوذ شبکه ، یادگیری عمیق ترکیبی ، شناسایی ناهنجاری