دانلود ترجمه مقاله روش های یادگیری ماشین و یادگیری عمیق برای امنیت سایبری

1. مقدمه 2. شباهت ها و تفاوت های ML و DL 3. مجموعه داده امنیت شبکه 4. الگوریتم ML و DL برای امنیت سایبری 5. بحث و بررسی و جهت گیری های آتی 6. نتیجه گیری

با توسعه اینترنت، حمله های سایبری سریعاً تغییر یافته اند و در مورد وضعیت امنیت سایبری، خوشبینی وجود ندارد. این مقاله، مطالعات و پژوهش های کلیدی این مقالات در مورد «یادگیری ماشینی» (ML) و «یادگیری عمیق» (DL) را برای تحلیل شبکه ای آشکار سازی نفوذ مرور می کند و یک توضیح آموزشی مختصر از هر کدام از روش های ML و DL ارائه می دهد. مقالاتی که هرکدام از این روش ها را توضیح داده اند، اندکس گذاری شدند، خوانده شدند و براساس همبستگی های زمانی یا مضمونی، خلاصه شدند. بخاطر اینکه داده ها در روش های ML/DL بسیار مهم هستند، تعدادی از پایگاه داده های شبکه ای معمولاً استفاده شده در ML/DL را توصیف می کنیم، در مورد چالش های استفاده از ML/DL برای امنیت سایبری بحث می کنیم و توصیه هایی برای پژوهش های بعدی ارائه می دهیم. مقدمه: با افزایش روز افزون تلفیق عمیق اینترنت و زندگی اجتماعی، اینترنت نحوه یادگیری و کار افراد را تغییر داده است، اما همچنین برای ما تهدیدهای امنیتی بیش از پیش جدی بوجود آورده است. نحوه شناسایی حمله های شبکه مختلف، بخصوص حمله هایی که قبلاً دیده نشده، یک مسئله کلیدی است که باید فوراً حل شود. امنیت سایبری یک مجموعه از فنآوریها و فرآیندهایی است که برای حفاظت از کامپیوترها، شبکه ها برنامه ها و داده ها در برابر حمله ها و دسترسی غیرمجاز، تغییر یا تخریب، طراحی شده اند [1]. یک سیستم امنیت شبکه ای شامل یک سیستم امنیت شبکه ای و یک سیستم امنیت کامپیوتری است. هر کدام از این سیستم ها دارای دیوار آتشین (فایروال)، نرم افزار آنتی ویروس و سیستم های آشکار سازی نفوذ (IDS) هستند. IDS ها به کشف، تعیین و شناسایی رفتار سیستم غیرمجاز مانند استفاده، کپی برداری، اصلاح و تخریب کمک می کنند [2]. نفوذهای امنیتی شامل نفوذها از بیرون و نفوذها از داخل می باشند. سه نوع تحلیل شبکه ای برای IDS ها وجود دارد: مبتنی بر سوء استفاده که به مبتنی بر امضاء، مبتنی بر ناهنجاری معروف است و ترکیبی. فنون آشکار سازی مبتنی بر سوء استفاده هدفشان آشکار سازی حمله های شناخته شده با استفاده از امضاها (ردهای) این حمله ها می باشد [3].

With the development of the Internet, cyber-attacks are changing rapidly and the cyber security situation is not optimistic. This survey report describes key literature surveys on machine learning (ML) and deep learning (DL) methods for network analysis of intrusion detection and provides a brief tutorial description of each ML/DL method. Papers representing each method were indexed, read, and summarized based on their temporal or thermal correlations. Because data are so important in ML/DL methods, we describe some of the commonly used network datasets used in ML/DL, discuss the challenges of using ML/DL for cybersecurity and provide suggestions for research directions. INTRODUCTION: With the increasingly in-depth integration of the Internet and social life, the Internet is changing how people learn and work, but it also exposes us to increasingly serious security threats. How to identify various network attacks, particularly not previously seen attacks, is a key issue to be solved urgently. Cybersecurity is a set of technologies and processes designed to protect computers, networks, programs and data from attacks and unauthorized access, alteration, or destruction [1]. A network security system consists of a network security system and a computer security system. Each of these systems includes firewalls, antivirus software, and intrusion detection systems (IDS). IDSs help discover, determine and identify unauthorized system behavior such as use, copying, modification and destruction [2]. Security breaches include external intrusions and internal intrusions. There are three main types of network analysis for IDSs: misuse-based, also known as signature-based, anomaly-based, and hybrid. Misuse-based detection techniques aim to detect known attacks by using the signatures of these attacks [3].