سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

چارچوب سبک و تطبیقی تشخیص نفوذ مستمر مبتنی بر DistilLLMs و خوشه‌بندی چگالی محور (HDBSCAN)

نویسندگان :

جواد جهانگیری درزه کنانی¹ کامبیز مجیدازده²

1- دانشگاه آزاد اسلامی ارومیه 2- دانشگاه آزاد اسلامی ارومیه

کلمات کلیدی :

سیستم تشخیص نفوذ مستمر سبک و تطبیقی،کشف خودکار حمله ناشناخته(Zero-Day Attacks)،مدل های زبانی تقطیر شده (DistilLLMs)،یادگیری مستمر(Continual Learning)،الگوریتم خوشه‌بندی HDBSCAN

چکیده :

این مقاله یک سیستم تشخیص نفوذ مستمر سبک و تطبیقی نوآورانه معرفی می‌کند که با استفاده از مدل زبانی تقطیر شده DistilBERT به‌عنوان رمزگذار، جریان‌های شبکه را به جاسازی‌های زمینه‌ای تبدیل کرده و با یک لایه SoftMax اولیه، ترافیک را به کلاس‌های شناخته شده و انواع حمله طبقه‌بندی می‌کند. در صورت شناسایی ناهنجاری ناشناخته، الگوریتم HDBSCAN به‌صورت کاملاً خودکار و بدون نیاز به تعیین تعداد خوشه، زیرگروه‌های حمله را کشف می‌کند و تعداد گره های لایه SoftMax را به‌صورت پویا افزایش می‌دهد؛ سپس فقط لایه تصمیم گیری با داده‌های جدید به ‌روز رسانی می گردد تا یادگیری مستمر بدون تداخل فاجعه‌بار تضمین گردد. این چارچوب با Recall ≈ 0.99 در شناسایی ترافیک مخرب و Accuracy ≈ 98% در طبقه‌بندی چند کلاسی ) حتی در شرایط عدم تعادل شدید و نویز بالا ( عملکردی برجسته دارد. همچنین با کاهش ۴۰% مصرف حافظه و افزایش ۱.۹ برابری سرعت استنتاج نسبت به مدل پایه، کارایی عملیاتی بالایی ارائه می‌دهد. ارزیابی بر روی مجموعه‌داده‌های واقعی CICIDS2017 نشان می‌دهد که این سیستم با تهدیدات نوظهور سازگار، قابل استقرار در محیط‌های لبه و پایدار در اکوسیستم های 5G و IoT است. ترکیب هوشمندانه یادگیری عمیق زمینه‌ای و خوشه‌بندی تطبیقی، این چارچوب را یک راهکار مقیاس پذیر و عملیاتی برای دفاع سایبری در شبکه‌های پویا و ناهمگن تبدیل کرده است.