2

fa استفاده از تحلیل رفتار و یادگیری ماشین برای ارتقاء دفاع در عمق Utilizing Behavior Analysis and Machine Learning to Enhance Defense in Depth تخصصي Special پژوهشي Research 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.   Abstract With the expansion of security threats in cloud computing environments, especially insider threats, the need for innovative solutions to enhance security is increasingly felt. This paper presents a systematic review of the role of User Behavior Analytics (UBA) and Machine Learning (ML) algorithms within the framework of defense in depth. The importance of this topic stems from the fact that traditional methods are unable to identify hidden and internal threats, and the use of intelligent techniques can help in more accurate detection and faster response. Initially, the theoretical foundations of defense in depth and the structures related to behavioral analysis and machine learning are examined. Then, the challenges of implementing these technologies, including resource management, data security, scalability, and high false alarm rates, are analyzed. Subsequently, proposed solutions such as deep learning, federated learning, edge computing, and zero-trust architecture, along with their comparison based on performance criteria, are presented. The overall results of the paper indicate that the integration of reinforcement learning and adaptive user behavior analysis can significantly improve the security of cloud systems. Furthermore, suggestions for future research are provided to enable researchers to overcome current limitations and achieve the design of safer and smarter systems.The main objective of this paper is to investigate how to utilize user behavior analysis and machine learning to enhance defense in depth against cyber threats.   کلمات کلیدی: یادگیری ماشین, یادگیری عمیق, امنیت سایبری, شناسایی تهدیدات داخلی, حفظ حریم خصوصی دادهها Keywords:Machine Learning, Deep Learning, Cybersecurity, Insider Threat Detection, Data Privacy 105 112 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-46-4&slc_lang=fa&sid=1 Soheil Shakeri سهیل شاکری sohyl2110@gmail.com 1003194753284600231 1003194753284600231 Yes Islamic Azad University دانشگاه آزاد اسلامی Mehdi ghahremani مهدی قهرمانی mehdi.ghahremani8927@iau.ir 1003194753284600232 1003194753284600232 No Islamic Azad University دانشگاه آزاد اسلامی