غلامرضا احمدی

با پیچیده تر شدن و تنوع یافتن حملات سایبری نظیر حملات منع سرویس توزیع شده (DDoS)، نفوذ و بدافزارها، ضرورت بهره گیری از روش های پیشرفته برای تشخیص به موقع این تهدیدات در شبکه های کامپیوتری بیش از پیش آشکار شده است. یادگیری ماشین، به دلیل توانایی در تحلیل الگوهای پیچیده و شناسایی ناهنجاری ها، به ابزاری کلیدی در حوزه امنیت سایبری تبدیل شده است [1]. این مقاله کاربرد مدل های یادگیری ماشین — شامل یادگیری نظارت شده (مانند SVM)، یادگیری عمیق (مانند LSTM) و مدل های هیبریدی — را در تشخیص حملات سایبری بررسی می کند. مدل های پیشنهادی با استفاده از مجموعه داده های استاندارد NSL-KDD و CICIDS2017 ارزیابی شده اند و نتایج، دستیابی به دقت 94٪ را در مدل های هیبریدی برای تشخیص حملات در شبکه های IoT نشان می دهند [10]. همچنین، چالش هایی همچون حملات خصمانه علیه مدل های یادگیری ماشین و مسائل مربوط به داده های نامتوازن مورد بحث قرار گرفته اند [5]. در پایان، راهکارهایی برای بهبود سیستم های تشخیص و جهت گیری های پژوهشی آینده ارائه می شود.