abertaymachinelearninggroup/network-threats-taxonomyأنظمة كشف التطفل القائمة على التعلم الآلي يصعب تقييمها بسبب نقص مجموعات البيانات التي تمثل بدقة حركة مرور الشبكة والتهديدات المرتبطة بها. في هذا المشروع نحاول حل هذه المشكلة من خلال تقديم تصنيفين.
من الصعب تقييم أنظمة كشف التسلل القائمة على التعلم الآلي بسبب نقص مجموعات البيانات التي تمثل حركة المرور الشبكية والتهديدات المرتبطة بها بدقة. في هذا المشروع نحاول حل هذه المشكلة من خلال تقديم تصنيفين: "تصنيف واستطلاع لتقنيات تصميم أنظمة كشف التسلل والتهديدات الشبكية ومجموعات البيانات" و"تصنيف لحركة المرور الخبيثة لأنظمة كشف التسلل"، حيث نقوم بتصنيف التهديدات وكذلك تقييم مجموعات البيانات الحالية. تظهر النتيجة أن جزءًا كبيرًا من الأبحاث المنشورة حاليًا يقوم بتدريب خوارزميات أنظمة كشف التسلل على مجموعات بيانات قديمة وتهديدات قديمة. لهذا الغرض، نوفر مصدر تصنيف التهديدات الخاص بنا، مما يسمح للباحثين الآخرين بالمساهمة فيه وتعديله.
التصنيف هو تعاون بين جامعة أبيرتاي، وجامعة ستراثكلايد، ومعهد الأكاديمية البحرية للبحوث، وجامعة ميدلسكس (حرم موريشيوس)
يقوم التصنيف بتصنيف كل تهديد شبكي وفقًا لـ:
تأكد من أن مصدر اللاتكس يُجمّع بشكل صحيح
تم نشر النسخة النهائية من مخطوطتنا في مجلة IEEE Access. يمكن العثور على الورقة البحثية "تصنيف التهديدات الشبكية وتأثير مجموعات البيانات الحالية على أنظمة كشف التسلل" هنا.
لقد أصدرنا نسخة أولية من مقالتنا على Arxiv، وتتضمن التصنيفات الأصلية في ورقة بحثية بعنوان "تصنيف واستطلاع لتقنيات تصميم أنظمة كشف التسلل والتهديدات الشبكية ومجموعات البيانات". يمكن العثور على الورقة هنا.
إذا كنت ترغب في الاستشهاد بالورقة، فيرجى استخدام التنسيق التالي:
@ARTICLE{9108270,
author={H. {Hindy} and D. {Brosset} and E. {Bayne} and A. {Seeam} and C. {Tachtatzis} and R. {Atkinson} and X. {Bellekens}},
journal={IEEE Access},
title={A Taxonomy of Network Threats and the Effect of Current Datasets on Intrusion Detection Systems},
year={2020},
volume={},
number={},
pages={1-1},}
يتم تنظيم التهديدات باستخدام الطبقات السبع لنماذج OSI كما هو موضح أدناه.
ثم يتم ربط التهديدات بالأدوات المستخدمة لتنفيذ الهجمات.
