33063

رويكردي نوين مبتني بر يادگيري عميق جهت شناسايي نفوذ در شبكه‌هاي ارتباطي

كارشناسي ارشد

مهندسي كامپيوتر

1400

1403/07/10

وصال حكمي

ندارد

مهندسي كامپيوتر

با پيدايش شبكه هاي نسل پنجم (يا 5G) و سرعت و قابليت هاي بي سابقه اي كه به دنبال خود آوردند، تحوّلي عظيم در صنعت ارتباطات رقم خورد. اگرچه، اين پيشرفت در فناوري شبكه هاي ارتباطي، آسيب پذيري هاي جديدي در حيطه ي امنيت و اتكاپذيري را نيز به همراه خود آورد. به منظور ارائه ي راه حلّي به اين چالش در زمينه ي امنيت شبكه هاي 5G، اين پايان‌نامه استفاده از يادگيري عميق و شبكه هاي مبدّل را در تشخيص حملات مورد بررسي قرار مي دهد. بدليل پيچيدگي ذاتي سامانه هاي 5G، شناسايي حملات در آن چالش هاي خاص خود را دارد. رويّه هاي سنّتي امنيتي نيز در مواجهه با حملات در حال رشد و گسترده اي كه به اين شبكه ها مي شود، ناكافي هستند. از سويي امّا، يادگيري عميق با توانايي خود در يادگيري الگوهاي مركّب از چندين ساختار و همچنين، ويژگي هاي موجود در دادگان هاي بزرگ مقياس، روش هاي مؤثّري براي حلّ اين مسئله ارائه مي كند. شبكه هاي مبدّل كه گونه اي نوين از ساختارهاي معرّفي شده در يادگيري عميق هستند، نتايجي استثنايي در درك مفاهيم پيچيده ي زباني موجود در جملات (حوزه ي پردازش زبان طبيعي) از خود نشان دادند و به‌طور فزاينده اي در ديگر حوزه ها نظير امنيت وارد شدند. اين پايان‌نامه ارائه ي مفصّلي از به‌كارگيري يادگيري عميق و شبكه هاي مبدّل براي شناسايي حملات به شبكه هاي نسل پنجم در بر دارد. در اين پژوهش، روشي نوين مبتني بر شبكه هاي مولّد تخاصمي براي حلّ مشكل عدم توازن نمونه ها با برچسب هاي «حمله» و «بي خطر» در دادگاني كه از يك شبكه ي G5 واقعي جمع‌آوري شده است، ارائه مي شود. شبكه هاي مولّد تخاصمي با توليد نمونه هاي ساختگي، موجب بهبود فرايند يادگيري مدل مبدّل و همچنين، ارتقاي توانايي اين مدل در تشخيص نمونه هاي دو كلاس مذكور مي گردند. كسب مقادير %99.46 و %99.55 به ترتيب براي سنجه هاي دقت و امتياز F1 در نتايج اين پژوهش، حاكي از اثرگذاري روش پيشنهادشده در شناسايي ترافيك «حمله» و «بي خطر» است.

1403/11/29

A Novel Deep Learning-Based Approach for Intrusion Detection in Communication Networks

1/1/1900 12:00:00 AM

The emergence of 5G networks has revolutionized communication, offering unprecedented speeds and capabilities. However, this technological advancement has also introduced new vulnerabilities that could compromise the security and reliability of these networks. To address this challenge, this thesis explores the application of deep learning and transformer networks for detecting attacks targeting 5G networks. The detection of attacks in 5G networks presents significant challenges due to the complexity and dynamic nature of these systems. Traditional security measures may be insufficient in dealing with sophisticated and evolving threats. Deep learning, with its ability to learn complex patterns and features from large datasets, offers a promising approach to tackle this problem. Transformer networks, a type of deep learning architecture, have demonstrated exceptional performance in natural language processing tasks and are increasingly being applied to other domains, including security. This thesis presents a comprehensive investigation into the use of deep learning and transformer networks for detecting attacks in 5G networks. We propose a novel framework that leverages generative adversarial networks (GANs) to address the imbalance of “attack” and “benign” traffic in real-world datasets. By generating synthetic samples, GANs help to improve the training process and enhance the model’s ability to detect samples in the two mentioned classes. Experimental results demonstrate the effectiveness of our proposed approach for detecting “attack” and “benign” traffic by achieving %99.46 and %99.55 for accuracy and F1-score, respectively.

امنيت شبكه‌ي 5G , يادگيري عميق , شبكه‌هاي مبدّل , شبكه‌هاي مولّد تخاصمي , نامتوازني داده

5G network security , Deep learning , Transformer networks , Generative adversarial networks (GANs) , Data imbalance

Mohammad Amin Taheri

Dr.Vesal Hakami