15417

مروري بر كارهاي مرتبط در حوزه تشخيص ناهنجاري در ترافيك شبكه

1403

دكتر ابوالفضل ديانت

وجود رفتارهاي غيرعادي در شبكه مي‌تواند نشانه‌ وقوع رخدادهاي نامطلوبي باشد كه منجر به افت كيفيت خدمات، كاهش كارايي و نارضايتي كاربران مي‌شود. اين رفتارهاي غيرعادي ممكن است ريشه در عوامل گوناگوني داشته باشند؛ از جمله حملات و نفوذهاي مخرب سايبري، يا نقص‌هاي فني در تجهيزات و زيرساخت شبكه. براي مثال، در شبكه‌هاي سلولي سيار از كار افتادن ايستگاه پايه مي‌تواند الگوهاي ترافيكي را دچار اختلال كرده و باعث بروز ناهنجاري شود. از آنجا كه حفظ پايداري عملكرد شبكه و تداوم كيفيت تجربه از اهداف اصلي هر ارائه‌دهنده‌ي خدمات ارتباطي است، شناسايي و مقابله‌ي به‌موقع با اين ناهنجاري‌ها از اهميت زيادي برخوردار است. در دهه‌هاي گذشته، پژوهش‌هاي متعددي در زمينه‌ي تشخيص ناهنجاري در ترافيك شبكه انجام شده است. روش‌هاي اوليه عمدتاً بر پايه‌ي تحليل آماري، مدل‌سازي احتمالاتي و نظريه اطلاعات استوار بودند. با وجود آن‌كه اين روش‌ها در تشخيص ناهنجاري‌هاي ساده و داراي الگوهاي ثابت موفق بودند، در مواجهه با ترافيك پيچيده و پويا ــ به‌ويژه در شبكه‌هاي امروزي با حجم عظيم داده و رفتارهاي غيرخطي ــ دقت و كارايي لازم را نداشتند. همچنين، اين روش‌ها به تنظيم دستي پارامترها و آگاهي قبلي از ويژگي‌ها و الگوي توزيع داده‌ها وابسته بودند، كه موجب كاهش مقياس‌پذيري و انعطاف‌پذيري آن‌ها مي‌شد. در سال‌هاي اخير، پيشرفت چشمگير در علوم داده، يادگيري ماشين و يادگيري عميق، مسير تازه‌اي براي تشخيص خودكار و هوشمند ناهنجاري‌ها گشوده است. اين رويكردها با بهره‌گيري از توانايي مدل‌سازي الگوهاي پيچيده، قابليت انطباق با تغييرات محيطي و شناسايي ناهنجاري‌هاي ناشناخته را فراهم كرده‌اند. در اين گزارش، مروري جامع بر پژوهش‌هاي انجام‌شده در حوزه‌ي تشخيص ناهنجاري در ترافيك شبكه ارائه مي‌شود و ضمن بررسي رويكردهاي كلاسيك و نوين، چالش‌ها، مزايا و محدوديت‌هاي هر دسته تحليل مي‌گردد.

11/5/2025 12:00:00 AM

88576

1404/09/02

A review of related work in the field of anomaly detection in network traffic

تشخيص ناهنجاري , امنيت شبكه , يادگيري ماشين , يادگيري عميق

Anomaly Detection , Network Security , Machine Learning , Deep Learning