مقایسه عملکرد دو مدل شبکه عصبی پیچشی CNN_v۱ و CNN_v۲ در تشخیص حملات وب

این پژوهش تشخیص حملات وب را با استفاده از شبکه عصبی کانولوشنال (CNN) در دو مدل مختلف CNN_v۱ و CNN_v۲ بر روی مجموعه داده CSIC ۲۰۱۰ مورد بررسی قرار داده است. این مجموعه داده شامل درخواست های HTTP متنوعی با انواع مختلف حملات مانند تزریق SQL و سرریز بافر است. به منظور رسیدگی به عدم تعادل کلاس و آماده سازی داده ها برای آموزش مدل، از راهکار پیش پردازش مانند واحدسازی، یکسان سازی طول دنباله ها و نمونه برداری بیش از حد اقلیت مصنوعی استفاده شد. مدل CNN_v۱ شامل لایه های تعبیه، پیچشی، نرمال سازی دسته ای، حذف فضایی و لایه های متراکم است، درحالی که مدل CNN_v۲ از یک معماری عمیق تر با پنج لایه پیچشی، حداکثر پویش سراسری و لایه های متراکم استفاده می کند. هر دو مدل با استفاده از روش هایی مانند توقف زودهنگام و کاهش نرخ یادگیری به منظور کاهش بیش برازش آموزش داده شدند. معیارهای ارزیابی شامل دقت، صحت، فراخوانی، امتیاز F۱ و AUC و ماتریس سردرگمی بودند. نتایج نشان دادند که مدل CNN_v۱ به دقت آزمون ۹۸.۴۷٪، صحت ۹۹.۸۲٪، فراخوانی ۹۷.۳۱٪، امتیاز F۱ ۹۸.۵۵٪ و AUC ۹۹.۹۴٪ دست یافت. مدل CNN_v۲ نیز به دقت آزمون ۹۸.۴۳٪، صحت ۹۸.۵۴٪، فراخوانی ۹۸.۵۰٪، امتیاز F۱ ۹۸.۵۲٪ و AUC ۹۹.۹۴٪ دست یافت. هر دو مدل عملکرد بسیار بالایی را نشان دادند و حملات وب را بادقت و فراخوانی بالا شناسایی کردند. مدل CNN_v۱ در مقایسه با مدل CNN_v۲ مثبت کاذب کمتری تولید نمود، درحالی که مدل CNN_v۲ از نظر منفی کاذب عملکرد بهتری داشت که این نشان دهنده تعادل میان این دو معیار است. این یافته ها اثربخشی مدل های یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنال، در تشخیص حملات وب را تایید می کنند. به منظور بهبود مدل های یادگیری عمیق، بررسی سایر معماری ها در آینده ضروری است. این پژوهش ها می توانند قابلیت های تشخیص حملات وب را ارتقا داده و امنیت سایبری را افزایش دهند، همچنین مسیر امیدبخشی برای تحقیقات و پیاده سازی های عملی آینده فراهم کنند.

Keywords:

امنیت وب , یادگیری عمیق , شبکه های عصبی پیچشی , تشخیص حمله وب , مجموعه داده CSIC ۲۰۱۰