استفاده از الگوریتم کلونی مورچگان (ACO) برای بهینه‌سازی تشخیص حملات سایبری در شبکه‌های کامپیوتری

 فاطمه حبیبی

چکیده

گسترش شبکه‌های کامپیوتری و افزایش حملات سایبری سبب شده است که «تشخیص نفوذ» به یکی از مهم‌ترین چالش‌های امنیتی تبدیل شود. یکی از مشکلات اساسی در این حوزه، حجم زیاد داده‌ها و تعداد بالای ویژگی‌هایی است که از ترافیک شبکه استخراج می‌شوند. در این مقاله، ایده‌ای مبتنی بر استفاده از الگوریتم بهینه‌سازی کلونی مورچگان (ACO) برای انتخاب بهترین ویژگی‌ها در سامانه‌های تشخیص نفوذ ارائه می‌شود.

این ایده بر این اساس استوار است که ACO به دلیل رفتار جمعی و توانایی جستجوی کارآمد در فضای بزرگ، می‌تواند نقش مؤثری در کاهش پیچیدگی داده و بهبود دقت سامانه‌های تشخیص حمله ایفا کند. مطالعه حاضر بدون ورود به مباحث آزمایشگاهی، مفهومی و نظری بوده و چارچوب کلی این ایده را معرفی می‌کند.

۱. مقدمه

افزایش وابستگی خدمات دولتی، بانکی، صنعتی و سازمانی به شبکه‌های کامپیوتری باعث شده است که امنیت سایبری به مسئله‌ای کلیدی تبدیل شود. حملات سایبری با سرعت در حال تکامل‌اند و اغلب با ترافیک عادی شبکه شباهت‌های زیادی دارند.

سامانه‌های تشخیص نفوذ (IDS) معمولاً با استفاده از ویژگی‌های مختلف شبکه تلاش می‌کنند رفتار عادی را از رفتار مخرب تشخیص دهند. اما تعداد زیاد ویژگی‌ها (Features) و تولید حجم عظیمی از داده، موجب کاهش سرعت پردازش، پیچیدگی محاسباتی، افزایش مصرف منابع و کاهش کارایی IDS می‌شود.

بنابراین یکی از نیازهای مهم IDSهای نسل جدید، روش‌هایی برای انتخاب مؤثرترین ویژگی‌ها است، به‌طوری که سامانه بتواند با حداقل داده تصمیم‌های دقیق و سریع بگیرد.

ایده این پژوهش استفاده از الگوریتم کلونی مورچگان (ACO) برای این هدف است.

۲. ضرورت و مسئله پژوهش

چندین مسئله مهم در IDSها وجود دارد که می‌توان با یک روش بهینه‌سازی مناسب آنها را بهبود داد:

2-1. حجم بالای داده‌های شبکه

ترافیک شبکه شامل میلیون‌ها رکورد و ده‌ها ویژگی مختلف است.

2-2. هزینه پردازشی بالا:

هرچه تعداد ویژگی بیشتر باشد:

• حافظه بیشتری مصرف می‌شود؛
• سرعت پردازش پایین می‌آید؛
• مدل‌های یادگیری ماشین پیچیده‌تر می‌شوند؛

2-3. دقت در حضور داده‌های نامرتب:

ویژگی‌های نامرتبط یا کم‌اهمیت، دقت IDS را کاهش می‌دهند.

2-4. نیاز به تصمیم‌گیری سریع:

در سامانه‌های عملیاتی مانند بانک‌ها و مراکز حساس، IDS باید بلادرنگ عمل کند.

بنابراین یک روش هوشمند برای کاهش ویژگی‌ها و انتخاب بهترین موارد لازم است.

3. ایده پیشنهادی: استفاده از الگوریتم کلونی مورچگان (ACO)

الگوریتم کلونی مورچگان الهام‌گرفته از رفتار طبیعی مورچه‌ها در یافتن کوتاه‌ترین مسیر میان لانه و منبع غذا است.

این الگوریتم ویژگی‌های زیر دارد:

• جستجوی جمعی
• یادگیری تدریجی
• پیدا کردن یک مسیر بهینه میان تعداد زیادی گزینه
• سازگاری با داده‌های بزرگ
• قابلیت کشف الگوهای پیچیده

به همین دلیل ACO می‌تواند برای انتخاب ویژگی‌ها در IDS مناسب باشد.

۴. سازوکار ایده در سطح مفهومی

در چارچوب پیشنهادی، می‌توان نقش ACO را در انتخاب ویژگی چنین تعریف کرد:

1. هر ویژگی به‌عنوان یک گره یا ایستگاه در نظر گرفته می‌شود.
2. مورچه‌ها مسیرهایی شامل چندین ویژگی را انتخاب می‌کنند.
3. هر مسیر به‌عنوان یک ترکیب پیشنهاد شده از ویژگی‌ها محسوب می‌شود.
4. ترکیب‌های بهتر، فرومون بیشتری دریافت می‌کنند.
5. مورچه‌های بعدی با احتمال بیشتری مسیرهای بهتر را انتخاب می‌کنند.
6. پس از تکرار، تعداد کمی از مؤثرترین ویژگی‌ها مشخص می‌شود.

این روند باعث می‌شود سامانه تشخیص نفوذ سبک‌تر شده، سریع‌تر تحلیل کند، با نیاز کمتر به سخت‌افزار، قابلیت گسترش‌پذیری بیشتری پیدا کند.

۵. مزایای بالقوه روش پیشنهادی

فواید احتمالی این ایده از نظر مفهومی شامل موارد زیر است:

5-1. کاهش حجم داده: انتخاب تعداد کمی ویژگی به IDS کمک می‌کند سریع‌تر عمل کند.

5-2. افزایش دقت بالقوه: با حذف ویژگی‌های اضافی، مدل‌ها تمرکز بهتری بر روی الگوهای رفتار مخرب خواهند داشت.

5-3. کاهش مصرف منابع: پردازش کمتر و در نتیجه نیاز به CPU، RAM و Storage کمتر.

5-4. مناسب برای شبکه‌های حساس، مانند:

• سازمان‌ها
• بانک‌ها
• مراکز داده
• سامانه‌های بلادرنگ

5-5. انعطاف‌پذیری بالا: ACO قابل ترکیب با هر مدل یادگیری ماشین است.

۶. چارچوب کلی مدل پیشنهادی

بدون اشاره به پیاده‌سازی، ساختار پیشنهادی به شکل مفهومی چنین طرح می‌شود:

مرحله ۱. جمع‌آوری ویژگی‌های شبکه: ویژگی‌های استخراج‌شده از ترافیک مانند: تعداد بسته‌ها، مدت زمان جریان، نرخ داده و…

مرحله ۲. پیش‌پردازش مفهومی: یکسان‌سازی داده، حذف موارد نامعتبر و…

مرحله ۳. اجرای الگوریتم ACO برای انتخاب ویژگی: مورچه‌ها به صورت جمعی بهترین مجموعه ویژگی‌ها را پیشنهاد می‌کنند.

مرحله ۴. استفاده از ویژگی‌های منتخب در مدل‌های تشخیص حمله: این مرحله فقط در سطح ایده مطرح شده و هیچ نتیجه یا آزمایشی بیان نمی‌شود.

۷. جمع‌بندی ایده

در این مقاله یک ایده تحقیقاتی برای استفاده از الگوریتم کلونی مورچگان در سامانه‌های تشخیص حملات سایبری معرفی شد.

این ایده بر مزایای مفهومی ACO متمرکز بوده و نشان می‌دهد که این الگوریتم می‌تواند برای انتخاب ویژگی، کاهش بار پردازشی و بهبود کارایی IDS مناسب باشد.

از آنجا ‌که این مقاله پژوهش را در مرحله «ایده‌پردازی» نگه می‌دارد، می‌تواند پایه‌ای برای مطالعات آینده، طراحی مدل‌های پیاده‌سازی‌شده و یا مطالعات دانشگاهی باشد.

منابع:

• adi Najafi Mohsenabad; Mehmet Ali Tut. Optimizing Cybersecurity Attack Detection in Computer Networks: A Comparative Analysis of Bio-Inspired Optimization Algorithms Using the CSE-CIC-IDS 2018 Dataset. Department of Mathematics, Faculty of Arts and Sciences, Eastern Mediterranean University, Via Mersin 10, Famagusta 99628, North Cyprus, Turkey. 2024, 14, 1044.
• Ma, C.; Du, X.; Cao, L. Analysis of Multi-Types of Flow Features Based on Hybrid Neural Network for Improving Network Anomaly Detection. IEEE Access 2019, 7, 148363–148380.
• Ahmad, I.; Ul Haq, Q.E.; Imran, M.; Alassafi, M.O.; AlGhamdi, R.A. An Efficient Network Intrusion Detection and Classification System. Mathematics 2022, 10, 530.
• Liu, L.; Wang, P.; Jun, L.; Liu, L. Intrusion Detection of Imbalanced Network Traffic based on Machine Learning and Deep Learning. IEEE Access 2021, 9, 7550–7563.
• Esmaeili, A.; Ghorrati, Z.; Matson, E.T. Agent-Based Collaborative Random Search for Hyperparameter Tuning and Global Function Optimization. Systems 2023, 11, 228.
• Prabakaran, P.; Mohana, R.S.; Kalaiselvi, S. Enhancing the Cyber Security Intrusion Detection It based on Generative Adversarial Network. Elem. Educ. Online 2021, 20, 7401–7408.
• Lava, A.; Savant, P. Network-Based intrusion detection systems using a machine learning algorithm. Int. J. Eng. Appl. Sci. Technol. 2022, 6, 145–155.
• Hagar, A.A.; Gawali, B.W. Apache Spark and Deep Learning Models for High-Performance Network Intrusion Detection Using CSE-CIC-IDS2018. Comput. Intell. Neurosci. 2022.
• Farhan, A.D.; Farhan, B.I. Performance analysis of intrusion detection for deep learning model based on CSE-CIC-IDS2018 dataset. Indones. J. Electr. Eng. Comput. Sci. 2022, 26, 1165–1172.
• Budler, B.; Ajoodha, R. Comparative analysis of deep learning models for network intrusion detection system. In Proceedings of the IEEE 2nd Conference on Information Technology and Data Science (CITDS), Debrecen, Hungary, 16–18 May 2022; pp. 45–50.
• Arsalan, S. FastTrafficAnalyzer: An Efficient Method for Intrusion Detection Systems to Analyze Network Traffic. DUJE (Dicle Univ. J. Eng.) 2021, 12, 565–572.
• Government of Canada. Communications Security Establishment. Available online: https://www.cse-cst.gc.ca/en (accessed on 2 February 2023).