مرور سیستماتیک روش های یادگیری عمیق برای تشخیص حملات پیشرفته در شبکه های تبادل داده

با گسترش روزافزون اینترنت اشیا، کلان داده ها و تبادلات لحظه ای اطلاعات در بستر شبکه های ارتباطی، مسئله امنیت اطلاعات به یکی از چالش های اساسی نظام های ارتباطی مدرن تبدیل شده است. ظهور تهدیداتی نظیر نفوذهای چندمرحله ای، حملات روز صفر و حملات پایدار پیشرفته (APT)، کارآمدی بسیاری از سامانه های سنتی تشخیص نفوذ را با تردید مواجه ساخته است. طی سال های اخیر، به کارگیری مدل های یادگیری عمیق به عنوان جایگزینی موثر برای روش های کلاسیک، به ویژه به دلیل توانایی این مدل ها در شناسایی الگوهای پیچیده، موردتوجه ویژه قرار گرفته است. این پژوهش با هدف ارتقای علمی و روزآمدسازی مطالعات پیشین، به بررسی انتقادی و تحلیلی مجموعه ای از روش های مبتنی بر معماری های AE، DNN، CNN، LSTM، GRU و ترکیبی از آنها در زمینه شناسایی تهدیدات پیچیده در شبکه های تبادل داده می پردازد. ضمن تحلیل تجربی عملکرد این مدل ها در محیط های واقعی و مقایسه نظام مند نتایج حاصل، چالش های اجرایی و محدودیت های پیاده سازی نیز واکاوی شده اند. همچنین، باتکیه بر منابع معتبر و بروز (منتشر شده بین سال های ۲۰۲۰ تا ۲۰۲۵) و باز طراحی گرافیکی جداول و نمودارها، مقاله حاضر تلاش دارد چارچوبی تحلیلی، کاربردی و جامع را در زمینه تشخیص هوشمند حملات در فضای سایبری ارائه دهد. این مقاله می تواند مبنایی علمی برای توسعه سامانه های مقاوم تر در برابر تهدیدات نوظهور در معماری های شبکه های ارتباطی آینده باشد.

کلیدواژه ها:

تهدیدات پایدار پیشرفته (APT) ، تشخیص نفوذ مبتنی بر یادگیری عمیق ، امنیت سایبری در شبکه های ارتباطی ، مدل های ترکیبی CNN-LSTM ، چالش های امنیتی اینترنت اشیا ، حملات روز صفر