تعزيز أداء أنظمة كشف التسلل الشبكي باستخدام الشبكات التنافسية التوليدية

تؤدي أنظمة كشف التسلل الشبكي (NIDS) دورًا محوريًا في حماية البنى التحتية الرقمية الحيوية ضد التهديدات الإلكترونية. إن نماذج الكشف المعتمدة على التعلم الآلي المطبقة في NIDS شائعة اليوم. ومع ذلك، فإن فعالية هذه النماذج المعتمدة على التعلم الآلي غالبًا ما تكون محدودة بطبيعة تقنيات التسلل المتطورة والمتغيرة بالإضافة إلى نقص عينات التدريب المتنوعة والمحدثة. في هذا البحث، يتم اقتراح نهج جديد لتعزيز أداء NIDS من خلال دمج الشبكات التنافسية التوليدية (GANs). من خلال استغلال قوة GANs في توليد بيانات حركة مرور شبكية اصطناعية تحاكي سلوك الشبكة في العالم الحقيقي بشكل وثيق، نحن نتناول تحديًا رئيسيًا يتعلق بمجموعات بيانات تدريب NIDS، وهو ندرة البيانات. يتم تنفيذ ثلاثة نماذج GAN متميزة (Vanilla GAN وWasserstein GAN وConditional Tabular GAN) في هذا العمل لتوليد أنماط حركة مرور شبكية أصلية مصممة خصيصًا لتمثيل الأنشطة الشاذة. نوضح كيف يمكن أن تحسن هذه التقنية لإعادة أخذ العينات من البيانات الاصطناعية بشكل ملحوظ أداء نموذج NIDS في الكشف عن مثل هذه الأنشطة. من خلال إجراء تجارب شاملة باستخدام مجموعة بيانات معيارية CIC-IDS2017، معززة ببيانات مولدة بواسطة GAN، نقدم أدلة تجريبية تظهر فعالية نهجنا المقترح. تظهر نتائجنا أن دمج GANs في NIDS يمكن أن يؤدي إلى تحسينات في أداء كشف التسلل للهجمات التي تفتقر إلى بيانات تدريب كافية، مما يجعلها مسارًا واعدًا لتعزيز الوضع الأمني الإلكتروني للمنظمات في بيئة رقمية مترابطة ومتزايدة الضعف.