مرور سیستماتیک روش های یادگیری عمیق برای تشخیص حملات پیشرفته در شبکه های تبادل داده
الموضوعات : فناوری اطلاعات و ارتباطاتمسعود سیاوشی 1 , محمدمهدی شیرمحمدی 2
1 - دانشگاه آزاد اسلامی، واحد همدان
2 - استادیار, گروه مهندسی کامپیوتر، دانشگاه ازاد اسلامی، همدان، ایران
الکلمات المفتاحية: تهدیدات پایدار پیشرفته (APT), تشخیص نفوذ مبتنی بر یادگیری عمیق, امنیت سایبری در شبکههای ارتباطی, مدلهای ترکیبی CNN-LSTM, چالشهای امنیتی اینترنت اشیا, حملات روز صفر,
ملخص المقالة :
با گسترش روزافزون اینترنت اشیا، کلاندادهها و تبادلات لحظهای اطلاعات در بستر شبکههای ارتباطی، مسئله امنیت اطلاعات به یکی از چالشهای اساسی نظامهای ارتباطی مدرن تبدیل شده است. ظهور تهدیداتی نظیر نفوذهای چندمرحلهای، حملات روز صفر و حملات پایدار پیشرفته (APT)، کارآمدی بسیاری از سامانههای سنتی تشخیص نفوذ را با تردید مواجه ساخته است. طی سالهای اخیر، بهکارگیری مدلهای یادگیری عمیق بهعنوان جایگزینی مؤثر برای روشهای کلاسیک، بهویژه به دلیل توانایی این مدلها در شناسایی الگوهای پیچیده، موردتوجه ویژه قرار گرفته است. این پژوهش با هدف ارتقای علمی و روزآمدسازی مطالعات پیشین، به بررسی انتقادی و تحلیلی مجموعهای از روشهای مبتنی بر معماریهای AE، DNN، CNN، LSTM، GRU و ترکیبی از آنها در زمینه شناسایی تهدیدات پیچیده در شبکههای تبادل داده میپردازد. ضمن تحلیل تجربی عملکرد این مدلها در محیطهای واقعی و مقایسه نظاممند نتایج حاصل، چالشهای اجرایی و محدودیتهای پیادهسازی نیز واکاوی شدهاند. همچنین، باتکیهبر منابع معتبر و بروز (منتشر شده بین سالهای 2020 تا 2025) و باز طراحی گرافیکی جداول و نمودارها، مقاله حاضر تلاش دارد چارچوبی تحلیلی، کاربردی و جامع را در زمینه تشخیص هوشمند حملات در فضای سایبری ارائه دهد. این مقاله میتواند مبنایی علمی برای توسعه سامانههای مقاومتر در برابر تهدیدات نوظهور در معماریهای شبکههای ارتباطی آینده باشد.
[1] Wu, J., et al., “Deep learning-based intrusion detection: A survey,” IEEE Access, vol. 8, pp. 219544–219567, 2020. Rana, A., and Sharma, S., “Anomaly detection in IoT networks,” Future Internet, vol. 16, no. 1, pp. 20–33, 2024.
[2] Ahmed, M., et al., “Survey on network intrusion detection using deep learning,” Computers & Security, vol. 92, 2020. Mohammadi, H., et al., “Hybrid models in cyber-attack detection,” Neurocomputing, vol. 512, 2023.
[3] Gao, L., et al., “Adversarial learning in network defense,” Security and Privacy, vol. 5, no. 2, 2022. Yin, C., et al., “Intrusion detection with LSTM networks,” Journal of Network and Computer Applications, vol. 177, 2021.
[4] He, X., et al., “Transformer-based detection systems,” ACM Computing Surveys, vol. 56, no. 1, 2024. Singh, S., and Bedi, P., “Comparative analysis of machine learning techniques,” Expert Systems, 2025. Zhang, T., et al., “Attention mechanisms in cybersecurity,” Computers & Electrical Engineering, 2023.
[5] Kumar, R., and Puthal, B., “Recurrent models in anomaly detection,” Procedia Computer Science, vol. 207, 2023. Lin, F., et al., “Evaluation of hybrid IDS,” Information Systems, 2025.
[6] Page, M. J., McKenzie, J. E., Bossuyt, P. M., et al., "The PRISMA 2020 statement: an updated guideline for reporting systematic reviews," BMJ, vol. 372, p. n71, 2021.
[7] Abeshu, A. Y., & Chilamkurti, N., “Deep learning: The frontier for distributed attack detection in fog-to-things computing,” IEEE Communications Magazine, vol. 56, no. 2, pp. 94-99, 2020. Faris, H., & Aljarah, I., “Improved intrusion detection systems using modern ensemble models,” Journal of Information Security, 2024.
[8] Yin, C., et al., “Intrusion detection using CNNs in large-scale networks,” Computer Networks, vol. 183, 2021.
[9] Gao, L., et al., “Advanced LSTM techniques for cyberattack prediction,” IEEE Transactions on Neural Networks, vol. 33, 2022.
[10] Roy, S., & Dey, N., “RNN approaches in IoT anomaly detection,” Procedia Computer Science, vol. 187, 2022.
[11] Li, Y., et al., “GRU-based IDS frameworks for edge computing,” Future Generation Computer Systems, vol. 122, 2023.
[12] Sharma, V., & Yadav, P., “Combining GRU and CNN for cyber threat analysis,” Sensors, vol. 21, no. 7, 2021.
[13] Tan, Z., & Wang, Y., “Autoencoders for feature extraction in intrusion detection,” Computers & Security, vol. 105, 2021.
[14] He, X., et al., “Transformer-based IDS with attention mechanism,” ACM Transactions on Cyber-Physical Systems, vol. 6, no. 1, 2024. Lin, F., et al., “Benchmarking transformer architectures in IDS,” IEEE Access, 2025.
[15] Singh, S., & Bedi, P., “A survey on ML models for IDS,” Expert Systems with Applications, vol. 213, 2025. Elhoseny, M., & Hassanien, A. E., “Hybrid deep models for intrusion detection,” Information Fusion, vol. 65, 2023.
[16] Kumar, R., et al., “Optimizing deep neural networks for cyber defense,” Journal of Cybersecurity, vol. 10, 2024.
[17] Singh, S., & Bedi, P., “A survey on ML models for IDS,” Expert Systems with Applications, vol. 213, 2025.
[18] Zhang, Q., et al., “Comprehensive evaluation of DL-based IDS,” Computers & Security, vol. 125, 2023.
[19] Lin, F., et al., “Benchmarking transformer architectures in IDS,” IEEE Access, vol. 13, 2025.
[20] He, X., et al., “Transformer-based IDS with attention mechanism,” ACM Transactions on Cyber-Physical Systems, vol. 6, no. 1, 2024.
[21] Li, Y., et al., “GRU-based IDS frameworks for edge computing,” Future Generation Computer Systems, vol. 122, 2023.
[22] Elhoseny, M., & Hassanien, A. E., “Hybrid deep models for intrusion detection,” Information Fusion, vol. 65, 2023.
[23] Islam, M. R., et al., “Enhancing cyber attack detection using ensemble models,” IEEE Access, vol. 11, 2023.
[24] Singh, S., & Bedi, P., “A survey on ML models for IDS,” Expert Systems with Applications, vol. 213, 2025.
[25] Kumar, A., et al., “Transformer-based deep learning framework for detecting APT attacks,” Journal of Cybersecurity, vol. 19, no. 3, pp. 88–101, 2024.
[26] Wu, J., et al., “Real-time IDS in critical infrastructure,” IEEE Access, vol. 8, pp. 12345–12360, 2020.
[27] Zhang, Y., et al., “Next-gen datasets for cyber threats,” Computers & Security, vol. 119, pp. 101–110, 2024.
[28] Gao, H., et al., “Zero-day attack resilience,” Future Generation Computer Systems, vol. 115, pp. 240–250, 2022.
[29] Rashid, A. and Nair, R., “Efficient models for constrained environments,” ACM Transactions on Cybersecurity, vol. 6, no. 2, pp. 77–89, 2024.
[30] Kumar, S. and Puthal, D., “Deep learning on edge devices,” IEEE Internet of Things Journal, vol. 10, no. 1, pp. 12–21, 2023.
[31] Mohammadi, A., et al., “Explainability in security,” Journal of Machine Learning Research, vol. 24, no. 56, pp. 1–20, 2023.
[32] Ahmed, T. and Li, X., “Attention for model transparency,” IEEE Transactions on Neural Networks, vol. 36, no. 4, pp. 433–445, 2025.
[33] Elhoseny, M. and Hassanien, A., “Continual learning for IDS,” Applied Intelligence, vol. 59, pp. 850–861, 2023.
[34] Singh, K. and Bedi, H., “Adversarial robustness in DL,” Computers & Security, vol. 120, pp. 201–212, 2025.
[35] Lee, D., et al., “Adversarial training with transformer,” IEEE Transactions on Dependable and Secure Computing, vol. 22, no. 2, pp. 129–139, 2025.
[36] Y. Zhao, M. Li, and H. Wang, “Federated IDS Learning for Privacy-Aware Intrusion Detection,” in Proc. IEEE Int. Conf. on Cybersecurity, 2025.
[37] M. Zaib and S. B. Ali, “Digital finance, fintech, and income inequality: Opportunities and risks for financial inclusion in Pakistan,” Social Sciences Spectrum, 2026.
[38] A. Asim, K. Zafar, and M. Raees, “Gendered Digital Financing Adoption and Women’s Financial Inclusion in Pakistan,” arXiv, 2026.
[39] F. Ahmed, S. Mendis, S. Fatima, and R. Usman, “The Role of E‑Commerce in Promoting Digital Financial Inclusion: Empirical Evidence from Pakistan,” ACADEMIA International Journal for Social Sciences, 2026.
