نماذج الأمان المعتمدة على الذكاء الاصطناعي: رفع مستوى الحماية السحابية باستخدام التعلم الآلي
DOI:
https://doi.org/10.61856/78jczn59الكلمات المفتاحية:
الأمن الموجه بالذكاء الاصطناعي شبكات LSTM اكتشاف اختراق الشبكة مركز الأمن السيبراني المرتكز على السلوك مجموعة بيانات BCCC، الأمن السيبرانيالملخص
في الأدبيات، استكشفت بعض الدراسات تصنيف حركة الشبكة باستخدام الشبكات العصبية طويلة الأمد وقصيرة الأمد (LSTM) لتعزيز أمان السحابة. قمنا بتحليل مجموعة بيانات—BCCC—تتضمن أنواعًا مختلفة من حركة الشبكة: Benign، Benign-Email-Receive، Benign-Email-Send، Benign-FTP، Benign-SSH، Benign-Systemic، Benign-Telnet، وBenign-Web_Browsing_HTTP-S. من الميزات الرئيسية التي تم فحصها: fwd_ack_flag_percentage_in_fwd_packets، fwd_ack_flag_percentage_in_total، min_fwd_header_bytes_delta_len، وhandshake_duration. قدم النموذج أداءً جيدًا في اكتشاف الفئة Benign، لكن بعض الفئات ذات العينات الأقل، مثل Benign-FTP وBenign-Email-Receive، تحتاج إلى تحسين الدقة والاستدعاء بسبب عدم توازن الفئات. بشكل عام، أداء النموذج في تصنيف حركة الشبكة قوي. تقدم هذه الدراسة استراتيجيات لمعالجة عدم توازن الفئات وتنقيح هندسة الميزات. كما توفر أساسًا لمزيد من التحقيقات التفصيلية في approaches الذكاء الاصطناعي لتصنيف حركة الشبكة، مع التركيز على أهمية توازن العينات لتحقيق أداء دقيق عالي.
المراجع
Alauthman, M., Aslam, N., Al-kasassbeh, M., Khan, S., Al-Qerem, A., & Raymond Choo, K.-K. (2020, 2020/01/15/). An efficient reinforcement learning-based Botnet detection approach. Journal of Network and Computer Applications, 150, 102479. https://doi.org/https://doi.org/10.1016/j.jnca.2019.102479
Aleesa, A. M., Zaidan, B. B., Zaidan, A. A., & Sahar, N. M. (2020, 2020/07/01). Review of intrusion detection systems based on deep learning techniques: coherent taxonomy, challenges, motivations, recommendations, substantial analysis and future directions. Neural Computing and Applications, 32(14), 9827-9858. https://doi.org/10.1007/s00521-019-04557-3
Emmanni, P. S. (2024). Leveraging Artificial Intelligence and Machine Learning for Threat Detection in Hybrid Cloud Systems. International Journal of Artificial Intelligence & Machine Learning (IJAIML), 3 (1), 75-84. https://doi.org/https://doi.org/10.17605/OSF.IO/HUXK8
Gauthama Raman, M. R., Somu, N., Jagarapu, S., Manghnani, T., Selvam, T., Krithivasan, K., & Shankar Sriram, V. S. (2020, 2020/06/01). An efficient intrusion detection technique based on support vector machine and improved binary gravitational search algorithm. Artificial Intelligence Review, 53(5), 3255-3286. https://doi.org/10.1007/s10462-019-09762-z
Hussain, A., & Shabir, G. (2024). AI-Powered DevSecOps: Elevating Security Practices with Machine Learning. https://rgdoi.net/10.13140/RG.2.2.25673.76640
Lopez-Martin, M., Carro, B., & Sanchez-Esguevillas, A. (2020, 2020/03/01/). Application of deep reinforcement learning to intrusion detection for supervised problems. Expert Systems with Applications, 141, 112963. https://doi.org/https://doi.org/10.1016/j.eswa.2019.112963
Maalem Lahcen, R. A., Caulkins, B., Mohapatra, R., & Kumar, M. (2020, 2020/04/21). Review and insight on the behavioral aspects of cybersecurity. Cybersecurity, 3(1), 10. https://doi.org/10.1186/s42400-020-00050-w
Sarker, I. H. (2021, 2021/03/22). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2(3), 160. https://doi.org/10.1007/s42979-021-00592-x
Sarker, I. H., Furhad, M. H., & Nowrozy, R. (2021, 2021/03/26). AI-Driven Cybersecurity: An Overview, Security Intelligence Modeling and Research Directions. SN Computer Science, 2(3), 173. https://doi.org/10.1007/s42979-021-00557-0
Sarker, I. H., & Kayes, A. S. M. (2020, 2020/10/15/). ABC-RuleMiner: User behavioral rule-based machine learning method for context-aware intelligent services. Journal of Network and Computer Applications, 168, 102762. https://doi.org/https://doi.org/10.1016/j.jnca.2020.102762
Xu, Y., Liu, X., Cao, X., Huang, C., Liu, E., Qian, S., Liu, X., Wu, Y., Dong, F., Qiu, C.-W., Qiu, J., Hua, K., Su, W., Wu, J., Xu, H., Han, Y., Fu, C., Yin, Z., Liu, M., Roepman, R., Dietmann, S., Virta, M., Kengara, F., Zhang, Z., Zhang, L., Zhao, T., Dai, J., Yang, J., Lan, L., Luo, M., Liu, Z., An, T., Zhang, B., He, X., Cong, S., Liu, X., Zhang, W., Lewis, J. P., Tiedje, J. M., Wang, Q., An, Z., Wang, F., Zhang, L., Huang, T., Lu, C., Cai, Z., Wang, F., & Zhang, J. (2021, 2021/11/28/). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2(4), 100179. https://doi.org/https://doi.org/10.1016/j.xinn.2021.100179
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 مجلة ابتكارات الدولية للعلوم التطبيقية
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
