व्याख्यायोग्य कृत्रिम बुद्धिमत्ता मॉडल intrusion detection systems के लिए, जो काले बॉक्स मॉडलों की दक्षता और व्याख्यात्मकता में सुधार करते हैं

साइबर सुरक्षा के क्षेत्र में, intrusion detection systems (IDS) का सामान्यतः उपयोग खतरों को रोकने और न्यूनतम करने के लिए किया जाता है। intrusion का पता लगाने वाले सिस्टम कंप्यूटर नेटवर्क में खतरों और संवेदनशील बिंदुओं के प्रवेश को रोकने में सहायता करते हैं। IDS के प्रभावी कार्यान्वयन में सहायता के लिए कई मशीन लर्निंग (ML) तकनीकें उपलब्ध हैं। व्यापक कार्यों की एक श्रृंखला में, ML आधारित सिस्टम्स ने सुधारित लर्निंग प्रदर्शन प्रदर्शित किया है। लेकिन, कुछ अत्याधुनिक मॉडलों के साथ समस्या यह है कि वे व्याख्या क्षमता, पारदर्शिता और विश्वसनीयता में कमी रखते हैं। व्याख्यायोग्य AI (XAI) दृष्टिकोणों का उपयोग इन AI मॉडलों को सुरक्षा विश्लेषकों के लिए समझने और स्पष्ट करने के लिए किया जाता है। वर्तमान अध्ययन एक आर्किटेक्चर का प्रस्ताव रखता है जो intrusion detection systems (IDS) के लिए SHAP का उपयोग करता है ताकि काले बॉक्स मॉडलों जैसे XGBoost, AdaBoost, Support Vector Machines (SVM) और Random Forest (RF) एल्गोरिदम से व्याख्याओं को निकालकर मॉडल की व्याख्यात्मकता बढ़ाई जा सके। SHAP विश्लेषण द्वारा प्रदान की गई व्याख्याओं को फ़िल्टर आधारित फ़ीचर चयन विधि के साथ मान्य किया गया है। प्रयोग के निष्कर्ष दर्शाते हैं कि XGBoost मॉडल अन्य ML मॉडलों की तुलना में बेहतर प्रदर्शन करता है और SHAP विश्लेषण ML मॉडल के लिए व्याख्याओं की प्रभावशीलता और फ़ीचर्स के महत्व का अध्ययन करने के लिए किया गया है।