تطوير نظام ذكي لكشف الاختراقات الشاذة في الشبكات الحاسوبية استنادًا إلى الشبكة العصونبية ذات الانتشار العكسي المرن

الملخص

تعتبر الهجمات الشاذة المختلفة وتعطيل شبكات المعلومات من المشاكل الخطيرة التي تؤثر على حماية المعلومات المتبادلة بين هذه الشبكات وتؤثر على الحفاظ على موثوقية وسرية تبادل المعلومات. في العقد الماضي، واجه الباحثون في جميع أنحاء العالم العديد من التحديات ويحتاجون إلى اقتراح مجموعة من الأنظمة ذات بنيات مرنة للكشف الدقيق والتلقائي عن هجمات التسلل الشاذة لمعالجة تعقيداتها. اقترحت الأبحاث ذات الصلة العديد من الحلول واسعة النطاق القائمة على تقنيات التعلم الآلي .(ML) ركزت الأبحاث الحديثة على بناء نظام كشف التسلل الشاذ للإيدز من وجهة نظر رياضية ومعمارية، باستخدام أساليب متطورة مثل أجهزة ناقل الدعم (SVMs) والشبكات العصبية التلافيفية (CNNs). تستخدم العديد من الدراسات الإيدز المعتدل والمنخفض التعقيد استنادًا إلى الشبكة العصبية الكلاسيكية متعددة الطبقات MLNN. ولذلك، فإن دقة مصنفات MLNN في مرحلة الاختبار معتدلة أو منخفضة. استنادًا إلى دراسات الإيدز ذات الصلة المقترحة في الأدبيات وتحقيقاتنا التفصيلية، نجد أن خوارزمية RBP المرنة للانتشار الخلفي لا تستخدم كوسيلة تعليمية للإيدز المستند إلى MLNN. على وجه الخصوص، تعتبر RBP أداة فعالة في العديد من المصنفات الثنائية غير الخطية. في هذا البحث، نقدم طريقة بناء الإيدز بناءً على MLNN المدربة بواسطة خوارزمية RBP، باستخدام البيانات ذات الصلة المعروفة NSL-KDD وCIC-DDoS2019. في هذه الدراسة، اخترنا بعناية بنية مناسبة للإيدز وقمنا بالعديد من المحاولات لتجنب الصعوبات المذكورة أعلاه. وقد تبين أن أدواتنا الخاصة بالإيدز قد تم تدريبها بشكل ثابت دون قيود خلال فترة زمنية معقولة، ثم تم اختبارها لاحقًا على بيانات غير مسبوقة، بدقة تصل إلى حوالي 99%. قمنا أيضًا بمقارنة أداء خوارزميتنا مع خوارزميات تعلم MLNN المعروفة الأخرىLevenberg Marquardt LM، وBayesian Regulated BR وQuasi-Newton QN باستخدام نفس بنية الإيدز ومجموعة البيانات. تظهر نتائج المقارنة أن خوارزمية RBP تتمتع بأفضل أداء بين العديد من الخوارزميات.