|
استفاده از تحلیل رفتار و یادگیری ماشین برای ارتقاء دفاع در عمق
|
سهیل شاکری   ، مهدی قهرمانی |
| دانشگاه آزاد اسلامی |
|
|
چکیده: (51 مشاهده) |
چکیده
با گسترش تهدیدات امنیتی در محیطهای رایانش ابری، بهویژه تهدیدات داخلی، نیاز به راهکارهایی نوین برای ارتقای امنیت بیش از پیش احساس میشود. در این مقاله، یک مرور نظام مند بر نقش تحلیل رفتار کاربران (UBA) و الگوریتمهای یادگیری ماشین (ML)در چارچوب دفاع در عمق ارائه شده است. اهمیت این موضوع از آنجا ناشی میشود که روشهای سنتی قادر به شناسایی تهدیدات پنهان و داخلی نیستند و استفاده از تکنیکهای هوشمند میتواند به تشخیص دقیقتر و واکنش سریعتر کمک کند. در ابتدا، مبانی نظری دفاع در عمق و ساختارهای مرتبط با تحلیل رفتاری و یادگیری ماشین بررسی شده است. سپس چالشهای پیاده سازی این فناوریها شامل مدیریت منابع، امنیت داده ها، مقیاس پذیری و نرخ بالای هشدارهای کاذب مورد تحلیل قرار گرفته است. در ادامه، راهکارهای پیشنهادی مانند یادگیری عمیق، یادگیری ترکیبی، رایانش لبه ای و معماری اعتماد صفر به همراه مقایسه آنها بر اساس معیارهای کارایی ارائه شده اند. نتایج کلی مقاله نشان میدهد که ادغام یادگیری تقویتی و تحلیل تطبیقی رفتار کاربران میتواند امنیت سیستم های ابری را به طرز چشمگیری بهبود دهد. همچنین پیشنهاداتی برای تحقیقات آینده ارائه شده است تا پژوهشگران بتوانند بر محدودیتهای فعلی فائق آمده و به طراحی سیستمهای ایمن تر و هوشمندتر دست یابند.
|
|
| واژههای کلیدی: کلمات کلیدی: یادگیری ماشین، یادگیری عمیق، امنیت سایبری، شناسایی تهدیدات داخلی، حفظ حریم خصوصی دادهها |
|
|
متن کامل [PDF 465 kb]
(46 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1404/2/28 | پذیرش: 1404/6/10 | انتشار: 1404/6/10
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
