به‌کارگیری نرخ آموزش پایدار شبکه‌های عصبی خودرمزگذار به منظور تشخیص ناهنجاری برای دیواره آتش برنامه کاربردی وب

Abstract

مهندسی ویژگی با استفاده از شبکه‌های عصبی ژرف پیشرفت چشم‌گیری داشته است. یکی از انواع شبکه‌های ژرف، شبکه عصبی خودرمزگذار پشته‌ای است. از این شبکه با قابلیت یادگیری بدون سرپرست برای استخراج ویژگی و تشخیص ناهنجاری به وفور استفاده می‌شود. در این مقاله نیز با تکیه بر این دو کاربرد مهم، از شبکه‌های خودرمزگذار پشته‌ای به منظور تشخیص حملات در برنامه‌های کاربردی وب استفاده می‌نماییم. این دیواره‌ آتش با استفاده از دسته‌بندهای تک-کلاسه سعی در شناسایی درخواست‌های مخرب HTTP دارد. ویژگی‌هایی که با استفاده از مدل bigram مبتنی بر کاراکتر ساخته شده‌اند، زیاد و بسیاری از آن‌ها نامرتبط می‌باشند. از اینرو با استفاده از شبکه‌های خودرمزگذار پشته‌ای ویژگی‌های مرتبط را استخراج می‌کنیم. در این مقاله به یکی از چالش‌های شبکه‌های عصبی به خصوص یادگیری ژرف به منظور پایداری بر اساس نرخ آموزش می‌پردازیم. از آنجایی که ماتریس ویژگی‌ها خلوت هستند، بنابراین انتخاب نرخ آموزش حساس‌تر هم می‌شود. به همین خاطر برای پایداری شبکه‌های خودرمزگذار، یک نرخ آموزش پایدار توسعه می‌دهیم. با استفاده از دو مجموعه دادگان CSIC-2010 و ECML/PKDD-2007 نتایج شبیه‌سازی شبکه خودرمزگذار و تشخیص حملات را مشاهده خواهیم کرد. همانگونه که خواهیم دید، با چنین رویکردی علاوه بر اینکه شبکه خودرمزگذار ناپایدار نمی‌شود، نتایج قابل قبولی هم در شناسایی حملات خواهد داشت.

Keywords

• شبکه‌های عصبی خودرمزگذار، یادگیری ژرف، بهینه سازی، پایداری شبکه‌های عصبی، تشخیص ناهنجاری، دیواره آتش برنامه کاربردی وب