31826

الگوريتم تشخيص ناهنجاري مبتني بر يادگيري عصبي عميق براي ترافيك شبكه‌هاي بي‌سيم

كارشناسي ارشد

مهندسي كامپيوتر - شبكه‌هاي كامپيوتري

1400

1403/07/07

وصال حكمي

وصال حكمي

مهندسي كامپيوتر

امروزه حملات سايبري در شبكه‌ها به‌طور گسترده‌اي در حال افزايش هستند و مي‌توانند عواقب جدي و مخربي براي سازمان‌ها و افراد به همراه داشته باشند. اين مسئله به‌ويژه در شبكه‌هاي نسل پنجم كه در حال رشد و گسترش هستند، اهميت بيشتري پيدا مي‌كند و امنيت اين شبكه‌ها به يكي از اولويت‌هاي اصلي تبديل شده است. حملات مخرب اغلب از نقاط ضعف و آسيب‌پذيري‌هاي موجود در شبكه‌ها بهره‌برداري مي‌كنند، كه اين امر لزوم توسعه راهكارهاي امنيتي پيشرفته و مقاوم را دوچندان مي‌كند. به همين منظور، سامانه‌هاي تشخيص نفوذ به‌عنوان يك مكانيسم دفاعي براي شناسايي و نظارت بر دسترسي‌هاي غيرمجاز، رفتارهاي غيرعادي و انواع مختلف حملات طراحي و توسعه يافته‌اند. با اين حال، كارايي اين سامانه‌ها به ميزان زيادي به كيفيت و كميت داده‌هاي آموزشي آنها بستگي دارد. در اين پايان‌نامه، ما از روش‌هاي يادگيري عميق، به‌ويژه شبكه‌هاي مولد متخاصم Generative Adversarial Networks (GANs) براي توليد داده‌هاي مصنوعي و مدل‌هاي مبتني بر معماري مبدل‌ها (Transformers) براي دسته‌بندي دقيق‌تر استفاده كرده‌ايم. ما به منظور حل مشكل نامتوازني مجموعه داده‌هاي حملات، مدلي مولد متخاصم توسعه داده‌ايم كه با آموزش بر روي داده‌ها، الگوها و ويژگي‌هاي هر دو كلاس اكثريت و اقليت را شناسايي كرده و داده‌هاي مصنوعي متوازن توليد مي‌كند. سپس اين داده‌هاي مصنوعي به مجموعه داده اصلي افزوده شده و از مدل‌هاي مدرن مبتني بر معماري مبدل‌ها براي آموزش اين مجموعه داده‌ها استفاده كرده‌ايم تا دقت دسته‌بندي بهبود يابد و سامانه تشخيص حمله قوي‌تري ايجاد شود.

1403/10/08

Anomaly detection algorithm based on deep neural learning for wireless network traffic

9/28/2025 12:00:00 AM

Cyberattacks on networks are increasingly widespread today and can have serious and damaging consequences for organizations and individuals. This issue becomes even more significant in fifth-generation networks, which are growing and expanding, and the security of these networks has become one of the main priorities. Malicious attacks often exploit vulnerabilities and weaknesses in networks, making the development of advanced and resilient security solutions all the more necessary. For this purpose, intrusion detection systems have been designed and developed as a defensive mechanism to identify and monitor unauthorized access, abnormal behaviors, and various types of attacks. However, the effectiveness of these systems largely depends on the quality and quantity of their training data. In this thesis, we use deep learning methods, particularly Generative Adversarial Networks (GANs), to generate synthetic data and transformer-based models for more accurate classification. To address the issue of imbalanced attack datasets, we have developed a generative adversarial model that, by training on the data, identifies patterns and features of both majority and minority classes and generates balanced synthetic data. These synthetic data are then added to the original dataset, and modern transformer-based models are used to train this dataset in order to improve classification accuracy and create a more robust attack detection system.

امنيت , تشخيص نفوذ , شبكه عصبي عميق , شبكه مولد متخاصم , شبكه مبدل , عدم توازن مجموعه دادگان , نسل پنجم , يادگيري عميق

Deep Learning , Deep Neural Network , Fifth Generation (5G) , Generative Adversarial Network (GAN) , Intrusion Detection , Security , Transformer Network , Unbalanced Dataset

HamidReza Sayyad Daryabakhsh

Vesal Hakami