Тадқиқоти академӣ, забони фаҳмо

Verianla | Тадқиқоти академӣ ва илм ба забони тоҷикӣ

19 ноябр 2026, панҷшанбе
VERİANLA Нашри мустақили илмӣ
Кушодан ё бастани меню
...
Саҳифаи асосӣ / Илмҳои амалӣ / Илми компютер / Чаҳорчӯби Мустақил аз Домен ва Шарҳпазир барои Ошкорсозии Ҳамлаҳо дар Маҷмуаҳои Гуногуни Трафики Шабака
Илми компютер

Чаҳорчӯби Мустақил аз Домен ва Шарҳпазир барои Ошкорсозии Ҳамлаҳо дар Маҷмуаҳои Гуногуни Трафики Шабака

Чаҳорчӯби мустақил аз домен ва шарҳпазири ошкорсозии ҳамлаҳои шабакавӣ як мантиқи омодасозии додаҳо ва моделсозии Fully Connected Neural Network (FCNN)-ро ба доменҳои гуногуни додаҳои шабакавӣ, аз ҷумла IoT, серверҳои корпоративӣ ва трафики нармафзори зараровар, ҷудогона татбиқ карда, ҳадаф дорад қарорҳои моделро бо SHapley Additive exPlanations (SHAP) ва Local Interpretable Model-Agnostic Explanations (LIME) шарҳ диҳад; як равиши назоратшавандаи

18/11/2026  Veri Anla  114 боздид
Чаҳорчӯби Мустақил аз Домен ва Шарҳпазир барои Ошкорсозии Ҳамлаҳо дар Маҷмуаҳои Гуногуни Трафики Шабака

Чаҳорчӯби мустақил аз домен ва шарҳпазири ошкорсозии ҳамлаҳои шабакавӣ, як мантиқи омодасозии додаҳо ва моделсозии Fully Connected Neural Network (FCNN)-ро ба доменҳои гуногуни додаҳои шабакавӣ, аз ҷумла IoT, серверҳои корпоративӣ ва трафики нармафзори зараровар, ҷудогона татбиқ мекунад ва ҳадаф дорад қарорҳои моделро бо SHapley Additive exPlanations (SHAP) ва Local Interpretable Model-Agnostic Explanations (LIME) шарҳ диҳад; ин як равиши назоратшавандаи таснифи ҳамлаҳои шабакавӣ мебошад. Дар таҳқиқот маҷмуаҳои додаҳои Kitsune, Server-Based ва Malware Traffic мустақилона коркард шудаанд; хусусиятҳои ададӣ ва категориявӣ омода гардидаанд; модел бо қабатҳои пурра пайвасти 128, 64 ва 32 нейрон, фаъолсозии Mish, dropout ва attention истифода шудааст. Манбаъ барои Kitsune accuracy = %96,0, барои Server-Based %99,99 ва барои Malware Traffic %99,58 гузориш медиҳад.

Ибораи “Domain-agnostic” дар ин таҳқиқот маънои онро надорад, ки модели дар як маҷмуаи додаҳо омӯзондашуда мустақиман ба маҷмуаи дигар интиқол дода шудааст. Муаллиф дар бахши хулоса равшан мегӯяд, ки cross-dataset transfer learning нишон дода нашудааст; балки татбиқи мустақили ҳамон pipeline-и моделсозӣ ба се муҳити гуногуни шабакавӣ арзёбӣ шудааст. Аз ин рӯ таҳқиқот далел медиҳад, ки меъмории умумии усул дар доменҳои гуногуни додаҳо қобили истифода аст, аммо интиқоли мустақими моделро бе омӯзиш байни доменҳо тасдиқ намекунад.

Натиҷаи Kitsune аз ҷиҳати accuracy-и умумӣ қавӣ аст, аммо байни синфҳо баробар нест. Дар Table 3 барои Class 2 precision = 0,72, recall = 0,76 ва F1 = 0,74; барои Class 4 precision = 0,75, recall = 0,69 ва F1 = 0,72 гузориш шудааст. Натиҷаҳои Server-Based ва Malware Traffic ҷудошавии хеле баландтар нишон медиҳанд. Аз ин рӯ accuracy-и умумии баланд набояд ҳамчун ошкорсозии комили ҳамаи синфҳои ҳамла тафсир шавад.

Таҳлили SHAP дар 100 намунаи собити validation анҷом шудааст; LIME бошад дар ҳар маҷмуаи додаҳо танҳо ба як намунаи намояндагии validation ва ҳадди аксар 10 хусусияти шарҳдиҳанда татбиқ шудааст. Манбаъ ин воситаҳои шарҳпазириро на ҳамчун ҷузъи inference-и real-time барои ҳар пакет, балки барои offline forensic analysis ва post-incident investigation ҷойгир мекунад.

Амнияти UAV майдони воқеии таҷрибавии мақола нест. Дар таҳқиқот UAV telemetry, тағйирёбии GPS, RF communication pattern ё flight log истифода нашудааст. Системаҳои UAV танҳо ҳамчун соҳаи эҳтимолии татбиқи оянда, ки усул метавонад дар он санҷида шавад, баррасӣ шудаанд.

“Domain-Agnostic” Дар Ин Таҳқиқот Чӣ Маъно Дорад?

Дар ин таҳқиқот “domain-agnostic” маънои онро дорад, ки ҳамон preprocessing-и умумӣ ва pipeline-и моделсозии FCNN ба трафики IoT-и Kitsune, трафики корпоративии Server-Based ва додаҳои Malware Traffic ҷудогона татбиқ мешавад, бе он ки барои ҳар маҷмуаи додаҳо меъмории нави махсуси модел тарҳрезӣ шавад; таҳқиқот нишон намедиҳад, ки як модели омӯзондашуда байни маҷмуаҳои гуногуни додаҳо интиқол дода шудааст ё дар як модели умумии cross-dataset санҷида шудааст.

Масъалаи таҳқиқот

Нуқтаи оғозии таҳқиқот ду масъала аст. Якум, бисёр моделҳои intrusion detection барои як маҷмуаи додаҳо ва тақсимоти муайяни трафик таҳия мешаванд ва аз ин рӯ дар муҳитҳои дигари шабакавӣ ҳамон сатҳи иҷроишро нигоҳ дошта наметавонанд. Дуюм, системаҳои deep learning-и дорои дақиқии баланд дар шарҳ додани он ки чаро ба қарори муайяни ҳамла расидаанд, душворӣ доранд.

Ин ду масъала махсусан дар системаҳои муҳим аҳамият доранд, ки таҳлилгарони амниятӣ на танҳо тамғаи ҳушдор, балки кадом хусусиятҳои трафик ба қарор таъсир расондаанд, дидан мехоҳанд. Аз ин рӯ таҳқиқот тасниф ва шарҳпазирии post-hoc-ро дар як чаҳорчӯби арзёбӣ баррасӣ мекунад.

Се домени додаҳои таҳқиқот

Маҷмуаи додаҳоДомени шабакаНамунаи истифодашуда дар таҷрибаШумораи хусусиятҳоШумораи синфҳо
KitsuneТрафики шабакаи IoT9.000; додаҳои аслӣ зиёда аз 20 миллион намуна доранд1159: 8 ҳамла + 1 benign
Server-BasedТрафики корпоративӣ/server225.398; тамоми маҷмуаи додаҳо273
Malware TrafficТрафики иртиботии нармафзори зараровар644.602; додаҳои аслӣ зиёда аз 25 миллион намуна доранд235

Маҷмуаи додаҳои Kitsune трафики асосёфта ба IoT ва рафторҳои ҳамла, аз ҷумла ARP spoofing, Mirai botnet ва denial-of-service-ро дар бар мегирад. Манбаъ мегӯяд, ки аз зиёда аз 20 миллион намунаи аслӣ зермаҷмуаи намояндагии 9.000-намунавӣ интихоб шудааст. Аммо алгоритми дақиқи интихоби ин 9.000 намуна ё тартиби дақиқи намунагирӣ барои ҳар синф муфассал дода нашудааст.

Додаҳои аз Malware Capture Facility гирифташуда аз зиёда аз 25 миллион сабт иборатанд. Дар таҳқиқот 644.602 сабт истифода шудааст. Ин додаҳо иртиботи command-and-control, фаъолияти ransomware ва дигар намунаҳои malware-driven network behavior-ро фаро мегиранд.

Маҷмуаи додаҳои Server-Based аз 225.398 намуна, 27 хусусият ва се синф иборат аст. Манбаъ дар ин ҷо намунаҳои ҳамлаи серверӣ, аз ҷумла HTTP flooding, SSH brute-force ва SQL injection-ро зикр мекунад.

Схемае, ки аз робитаҳои усули таҳқиқот барои Verianla мустақилона сохта шудааст. Ин мутобиқсозии Figure 1 ё Figure 2-и манбаъ нест; коркарди мустақили се маҷмуаи додаҳо махсусан намоён нигоҳ дошта шудааст.

Қиматҳои гумшуда чӣ гуна пур карда мешаванд?

Дар хусусиятҳои ададӣ қиматҳои гумшуда бо миёнаи сутуни дахлдор пур карда мешаванд. Дар хусусиятҳои категориявӣ бошад категорияи аз ҳама маъмул, яъне mode, истифода мешавад. Пуркунии миёна ҳадаф дорад қимати марказии тағйирёбандаи ададиро нигоҳ дорад, дар ҳоле ки mode дар тағйирёбандаи категориявӣ синфи маъмултаринро истифода мебарад.

Ин усулҳо масъалаи қиматҳои гумшударо ҳал мекунанд; аммо сабаби пайдоиши механизми missingness-ро модел намекунанд. Манбаъ барои missingness mechanism таҳлили ҷудогона гузориш намедиҳад.

Ибораи “Standard scaling бо [0,1]” чӣ гуна бояд баррасӣ шавад?

Манбаъ дар ду ҷои ҷудогона мегӯяд, ки хусусиятҳои ададӣ бо “Standard scaling” ба фосилаи [0,1] оварда шудаанд. Verianla ин ифодаро пинҳонӣ ба номи scaler-и дигар табдил намедиҳад. Аз ин рӯ хулосаи боэътимод танҳо ин аст: манбаъ мегӯяд, ки хусусиятҳои ададӣ масштаб шудаанд ва фосилаи натиҷаро [0,1] тавсиф мекунад; синфи дақиқи scaler дар сатҳи нармафзор аз матни нашршуда боэътимод аз нав муайян карда намешавад.

Хусусиятҳои категориявӣ чӣ гуна кодгузорӣ мешаванд?

Барои категорияҳои номиналӣ ва бе тартиби табиӣ one-hot encoding истифода мешавад. Ин раванд барои ҳар категория binary feature-и ҷудогона эҷод карда, масалан пайдо шудани тартиби сунъии бузургӣ байни намудҳои протоколро пешгирӣ мекунад.

Манбаъ мегӯяд, ки хусусиятҳои binary ва ordinal бо label encoding ба кодҳои ададӣ табдил дода мешаванд.

Нобаробарии синфҳо чӣ гуна баррасӣ мешавад?

Дар бахши методология истифодаи stratified sampling ва class-weighted loss навишта шудааст. Аммо манбаъ қиматҳои ададии class weight барои ҳар синф ё формулаи онҳоро гузориш намедиҳад.

Denklem 8 дар шакли стандартии multiclass cross-entropy дода шудааст ва дар худи муодила ҳади равшани вазни синф нишон дода намешавад. Аз ин рӯ тахмин кардан, ки class weighting ба exact loss implementation чӣ гуна татбиқ шудааст, аз он чи манбаъ мегӯяд муфассалтар, дуруст нест.

FCNN ва Механизми Attention Чӣ Гуна Кор Мекунанд?

Модели FCNN-и таҳқиқот бо қабатҳои пурра пайваст, Mish activation ва dropout кор карда, feature vector-и вурудиро ба representation-ҳои пинҳонии 128, 64 ва 32-андоза табдил медиҳад; мувофиқи тавсифи манбаъ ва муодилаҳо, вазнҳои attention дар latent representation-и ниҳоии 32-андоза ҳисоб шуда, representation-и attention-weighted дар қабати softmax ба пешгӯии бисёрсинфии ҳамла табдил меёбад.

Вектори вурудӣ

Манбаъ вектори вурудиро чунин муайян мекунад:

\[ \mathbf{x}\in\mathbb{R}^{d} \]

. \(d\) шумораи feature-ҳои коркардшуда мебошад. Мақола ҳамчун мисол \(d=120\)-ро медиҳад; аммо азбаски шумораи feature-ҳои аслии се маҷмуаи додаҳо гуногун аст, ин қимат набояд ҳамчун андозаи ниҳоии доимӣ ва универсалӣ барои ҳамаи маҷмуаҳо тафсир шавад.

Denklem 1–3: Representation-ҳои пинҳонӣ

\[ \mathbf{h}_1=\operatorname{Mish}(W_1\mathbf{x}+b_1), \qquad \mathbf{h}_1\in\mathbb{R}^{128} \tag{1} \]

Denklem 1 хусусиятҳои вурудиро ба latent representation-и аввалини 128-андоза табдил медиҳад. \(W_1\) weight matrix-и омӯхташаванда, \(b_1\) bias vector ва \(\mathbf{h}_1\) баромади қабати якуми пинҳонӣ мебошад.

\[ \mathbf{h}_2=\operatorname{Mish}(W_2\mathbf{h}_1+b_2), \qquad \mathbf{h}_2\in\mathbb{R}^{64} \tag{2} \]

Denklem 2 representation-и пинҳонии аввалро ба 64 андоза табдил медиҳад.

\[ \mathbf{h}_3=\operatorname{Mish}(W_3\mathbf{h}_2+b_3), \qquad \mathbf{h}_3\in\mathbb{R}^{32} \tag{3} \]

Denklem 3 representation-и пинҳонии ниҳоиро ба 32 андоза коҳиш медиҳад. Mish функсияи фаъолсозии ғайрихаттӣ аст. Азбаски манбаъ таърифи аналитикии Mish-ро ҷудогона намедиҳад, Verianla муодилаи нави берун аз манбаъ илова намекунад.

Denklem 4: Dropout

\[ \mathbf{h}^{drop}_i= Dropout(\mathbf{h}_i,p=0.3), \qquad i=1,2,3 \tag{4} \]

Dropout ҳангоми training қисми воҳидҳои пинҳониро муваққатан ғайрифаъол карда, ҳадаф дорад вобастагии аз ҳад зиёди модел ба latent units-и алоҳидаро кам кунад. \(p=0.3\) дар ин ҷо dropout rate-и гузоришшуда дар манбаъ аст.

Denklem 5: Вазнҳои Attention

\[ \boldsymbol{\alpha}= softmax(W_a\mathbf{h}_3+b_a) \tag{5} \]

Қабати Attention барои latent units дар representation-и пинҳонии ниҳоӣ вазнҳои нисбӣ тавлид мекунад. Бахши методологияи манбаъ равшан мегӯяд, ки ин механизм на мустақиман дар feature-ҳои аслии вурудӣ, балки дар hidden representation-и омӯхташуда амал мекунад.

Ин фарқ муҳим аст: attention weight ва SHAP feature attribution як чиз нестанд. Attention ба latent representation-и дохили модел вазн медиҳад; SHAP бошад барои арзёбии post-hoc-и саҳми хусусиятҳои вурудӣ ба пешгӯии модел истифода мешавад.

Denklem 6: Representation-и Attention-weighted

\[ z= \sum_{j=1}^{32} \alpha_j h_{3j} \tag{6} \]

Denklem 6 дар манбаъ ҳамин тавр дода шудааст. \(\alpha_j\) attention weight-и \(j\)-ум ва \(h_{3j}\) ҷузъи \(j\)-уми қабати пинҳонии ниҳоӣ аст.

Дар навишти манбаъ масъалаи notation мавҷуд аст: бо ифодаи ҷамъии Denklem 6, \(z\) мисли миқдори скалярӣ менамояд, аммо дар Denklem 7 баъдӣ навишти вектории inner-product-и \(w_i^Tz\) истифода шудааст. Манбаъ ин робитаи андозаҳоро ҷудогона шарҳ намедиҳад. Verianla муодиларо тағйир намедиҳад ва маълумоти нопурраи андозаро бо фарзия пур намекунад.

Denklem 7: Эҳтимоли синфи Softmax

\[ \hat{y}_i= \frac{\exp(w_i^{T}z+b_i)} {\sum_{j=1}^{C}\exp(w_j^{T}z+b_j)}, \qquad i=1,2,\ldots,C \tag{7} \]

Denklem 7 барои ҳар синф эҳтимоли нормализатсияшудаи пешгӯиро тавлид мекунад. \(C\) шумораи синфҳо дар маҷмуаи додаҳои дахлдор аст. Махраҷи Softmax қиматҳои exponentiated logit-и ҳамаи синфҳоро ҷамъ карда, баромадҳоро ба тақсимоти умумии эҳтимолӣ табдил медиҳад.

Denklem 8: Cross-entropy-и бисёрсинфӣ

\[ L= -\frac{1}{N} \sum_{i=1}^{N} \sum_{c=1}^{C} y_{ic}\log(\hat{y}_{ic}) \tag{8} \]

\(N\) шумораи training sample, \(C\) шумораи синфҳо, \(y_{ic}\) қимати воқеии class indicator ва \(\hat{y}_{ic}\) эҳтимоли пешгӯишудаи модел барои синфи дахлдорро ифода мекунад. Loss беандоза аст.

Вақте модел ба синфи воқеӣ эҳтимоли паст медиҳад, \(-\log(\hat{y}_{ic})\) калон шуда, loss меафзояд. Оптимизатсияи омӯзиш ҳадаф дорад сохторҳои weight-ро омӯзад, ки ин loss-ро кам мекунанд.

Фарқи дохилиманбаъӣ дар тавсифи меъморӣ

Тавсифи методология мегӯяд, ки пас аз ҳар яке аз се қабати пинҳонии 128, 64 ва 32 нейрон dropout мавҷуд аст ва механизми attention ба representation-и ниҳоии 32-андоза татбиқ мешавад. Denklem 1–6 низ бо ин тавсиф мувофиқанд.

Аммо Algorithm 1 пайдарпайии моделро FC-128 → Dropout(0.3) → FC-64 → Dropout(0.3) → Attention → FC-32 → softmax медиҳад. Дар ин тартиб attention пеш аз FC-32 меояд ва dropout-и сеюм равшан нишон дода нашудааст.

Ин ду пешниҳод дар дохили манбаъ пурра яксон нестанд. Аз ин рӯ Verianla сатри Algorithm 1 ё занҷири муодилаҳоро пинҳонӣ мутобиқи дигаре тағйир намедиҳад.

Танзимоти омӯзиш

ПараметрҚимати манбаъШарҳ
OptimizerAdamWOptimizer-и истифодашуда барои навсозии weight.
Learning rate-и ибтидоӣ0.001Қимати ибтидоии додашуда дар Algorithm 1.
Learning-rate scheduleCosine annealingМанбаъ истифодаи schedule-ро мегӯяд; параметрҳои муфассали schedule гузориш нашудаанд.
Batch size128Шумораи training sample дар ҳар mini-batch.
Epoch-и ҳадди аксар20Early stopping метавонад пештар қатъ кунад.
Dropout0.3Меъёре, ки дар Denklem 4 ва тавсифи усул гузориш шудааст.
Weight initializationXavierБарои мутавозин нигоҳ доштани дисперсияи ибтидоии weight.
Early stoppingValidation lossБо мақсади маҳдуд кардани overtraining.
MonitoringTensorBoardБарои назорати иҷроиши training.

Ҷудокунии training, validation ва test дақиқ чӣ гуна дода шудааст?

Algorithm 1 менависад, ки маҷмуаҳои додаҳо ба %70 training ва %30 test ҷудо шудаанд ва random_state=42 ҳамроҳ бо маълумоти deterministic stratified split дар шарҳи SHAP дида мешавад.

Бо вуҷуди ин, дар сатрҳои баъдии алгоритм метрикаҳои “validation” ва early stopping бар асоси validation loss истифода мешаванд; таҳлили SHAP низ дар “validation samples” муайян шудааст. Манбаъ андозаи partition-и сеюми validation-ро равшан намедиҳад.

Аз ин рӯ маълумоти боэътимоде, ки аз матни нашршуда бармеояд, ҷудокунии 70/30 stratified ва мавҷудияти намунаҳои истифодашуда ҳамчун validation мебошад; сохтани нисбатҳои алоҳидаи train-validation-test аз худ дуруст нест.

SHAP ва LIME Дар Ин Таҳқиқот Чиро Шарҳ Медиҳанд?

SHAP барои омӯзиши тақсимоти feature contribution дар чанд намунаи validation ва LIME барои нишон додани саҳмҳои маҳаллии feature дар атрофи prediction-и ягона истифода шудааст; манбаъ ҳар ду техникаро на ҳамчун шарҳи real-time барои ҳар пакет, балки ҳамчун воситаи offline forensic analysis ва post-incident investigation маҳдуд мекунад.

Татбиқи SHAP

Манбаъ мегӯяд, ки равиши KernelSHAP тавассути shap.Explainer дар background аз 100 намунаи собити validation ва бо CPU-side prediction wrapper татбиқ шудааст.

SHAP summary plot-ҳо барои таҳқиқи он истифода шуданд, ки як feature дар намунаҳои гуногун ба model output дар кадом самт ва то чӣ андоза таъсир мерасонад.

Дар таҳлили SHAP-и Kitsune feature_0, feature_3, feature_1 ва feature_8 монанди якчанд хусусият саҳми намоён нишон медиҳанд. Манбаъ инро ба он нисбат медиҳад, ки қарор дар трафики IoT ба як тағйирёбандаи ҳукмрон вобаста нест.

Дар маҷмуаи додаҳои Server-Based тақсимоти SHAP зичтар ва дар атрофи шумораи камтари хусусиятҳо ҷамъ шудааст. Дар Malware тақсимоти васеътари feature contribution дида мешавад.

Татбиқи LIME

LIME барои ҳар маҷмуаи додаҳо танҳо ба як намунаи намояндагии validation татбиқ шудааст. Манбаъ намунаи истифодашударо idx=0 ва шумораи feature-ҳои шарҳдодашударо num_features=10 гузориш медиҳад.

Дар намунаи Kitsune ts, service_http ва resp_bytes ҳамчун саҳмҳои мусбат; service_dns ва proto_tcp ҳамчун намунаҳои feature бо саҳми манфӣ оварда шудаанд.

Дар намунаи Server-Based ts, proto ва id.resp_h саҳмҳои мусбати қавӣ нишон медиҳанд, дар ҳоле ки orig_bytes ва resp_bytes ҳамчун саҳмҳои манфӣ зикр шудаанд.

Дар намунаи Malware feature_85, feature_86 ва feature_107 мусбат; feature_57 ва feature_39 манфӣ мебошанд.

Ҳудуди натиҷаҳои шарҳпазирӣ

Манбаъ мегӯяд, ки азбаски ҳамон trained checkpoint ва ҳамон 100 намунаи validation истифода шудаанд, SHAP rankings ҳангоми такрор тағйир накардаанд. Аммо таҳқиқот моделро бо random seed-ҳои гуногун аз нав омӯзонда, барои SHAP ranking variance repeated-training experiment-и оморӣ гузориш намедиҳад.

Аз ин рӯ “такроршавии шарҳ дар ҳамон checkpoint” ва “explanation stability дар шароити гуногуни омӯзиш” як натиҷа нестанд.

Architecture comparison SHAP чиро нишон медиҳад?

Манбаъ дар Figure 9 SHAP feature rankings-ро барои proposed MLP + Attention, MLP бе attention ва Random Forest ба таври сифатӣ муқоиса мекунад. Дар маҷмуаи Malware feature_0, feature_1, feature_2, feature_3 ва feature_8 дар top-10-и ҳар се меъморӣ пайдо мешаванд.

Дар Server-Based feature_1 дар ҳамаи моделҳои муқоисашуда дар ҷои аввал аст; feature_7, feature_13, feature_15 ва feature_16 низ байни меъмориҳо такрор мешаванд.

Дар Kitsune аз сабаби feature dimensionality ва сохтори нӯҳсинфӣ ranking variation бештар аст; манбаъ мегӯяд, ки feature_13 ва feature_65 ба top-10-и ҳар ду варианти MLP дохил шудаанд.

Ин таҳлил predictive-performance ablation нест. Ҷадвали миқдории ablation, ки нишон диҳад хориҷ кардани модули Attention accuracy ё F1-ро чӣ қадар тағйир медиҳад, вуҷуд надорад; муаллифон таҳқиқоти пурраи ablation-ро кори оянда мешуморанд.

Усул ва Натиҷаҳои Таҳқиқот

Натиҷаҳои асосии иҷроиш

Маҷмуаи додаҳоДоменAccuracyҲудуди тафсир
KitsuneТрафики IoT%96,0Дар байни нӯҳ синф Class 2 ва Class 4 ба таври намоён заифтаранд.
Server-BasedТрафики корпоративӣ/server%99,99Table 3 бо формати ду рақами даҳӣ ба 1.00 гирд мекунад.
Malware TrafficТрафики иртиботии Malware%99,58Дар сутуни accuracy-и Table 3 ба шакли 1.00 гирд шудааст.

Оё Accuracy-и %99,99 Муваффақияти Як Модели Универсалиро Нишон Медиҳад?

Не. %99,99 баландтарин accuracy дар Server-Based дар шароити арзёбии ҷудогона аст; азбаски таҳқиқот интиқоли як модели омӯзондашударо байни Kitsune, Server-Based ва Malware Traffic нишон намедиҳад, ин қимат набояд ҳамчун “як модели универсалӣ дар се домен %99,99 дақиқӣ дод” тафсир шавад.

Натиҷаҳои синфии Kitsune

СинфPrecisionRecallF1-scoreAccuracy-и умумӣ
Class 01.001.001.000.96
Class 10.930.990.950.96
Class 20.720.760.740.96
Class 30.990.890.940.96
Class 40.750.690.720.96
Class 51.000.990.990.96
Class 61.001.001.000.96
Class 70.971.000.980.96
Class 80.990.990.990.96

Натиҷаҳои Class 2 ва Class 4 равшан нишон медиҳанд, ки overall accuracy-и %96 метавонад фарқиятҳои иҷроиши синфҳоро пинҳон кунад. Азбаски Class 4 recall = 0.69 аст, тақрибан сеяки намунаҳои воқеии Class 4 дар ин шароит ба синфи дуруст таъин нашудаанд.

Натиҷаҳои Server-Based ва Malware

Маҷмуаи додаҳоСинфPrecisionRecallF1Table 3 Accuracy
Server-BasedClass 01.001.001.001.00
Server-BasedClass 11.001.001.001.00
Server-BasedClass 21.001.001.001.00
MalwareClass 00.990.990.991.00
MalwareClass 10.991.001.001.00
MalwareClass 21.001.001.001.00
MalwareClass 31.000.980.991.00
MalwareClass 41.001.001.001.00

Table 3 бо сабаби намоиши ду рақами даҳӣ accuracy-и умумиро барои Server-Based ва Malware 1.00 нишон медиҳад. Abstract бошад қиматҳои дақиқтари %99,99 ва %99,58-ро медиҳад. Verianla ин ду пешниҳодро ҳамчун зиддият пинҳон намекунад; қиматҳои Table 3 ҳамчун намоиши гирдшудаи ҷадвал нигоҳ дошта мешаванд.

Confusion matrix-ҳо чиро нишон медиҳанд?

Дар confusion matrix-и Kitsune, Class 0, 5, 6, 7 ва 8 асосан дар diagonal дуруст тасниф мешаванд, дар Class 2 ва Class 4 хатогиҳои off-diagonal бештар дида мешаванд. Манбаъ ин ҳолатро бо feature overlap байни синфҳо мепайвандад.

Confusion matrix-и Server-Based тақрибан пурра diagonal аст. Дар Malware низ diagonal dominance баланд аст, аммо байни Class 0 ва Class 1 каме омехтагӣ вуҷуд дорад.

Натиҷаҳои ROC-AUC

Дар таҳлили ROC-и Kitsune AUC-и аксари синфҳо ба 1.00 мерасад; барои Class 2 ва Class 4 қиматҳо тақрибан 0.99 гузориш шудаанд.

Барои се синфи Server-Based AUC = 1.00; барои панҷ синфи Malware Traffic низ AUC = 1.00 гузориш шудааст.

Ин натиҷаҳо зери train/test protocol ва маҷмуаҳои додаҳои истифодашуда чен шудаанд. Таҳқиқот тасдиқ накардааст, ки ҳамон AUC дар шабакаҳои дигар, намудҳои нави ҳамла ё production traffic distribution-и тағйирёбанда бо вақт нигоҳ дошта мешавад.

Каҷҳои омӯзиш

Дар омӯзиши Kitsune validation accuracy тақрибан дар атрофи epoch-и 15 аз %95 боло меравад. Каҷҳои training ва validation дар оғоз каме ҷудо мешаванд ва дар epoch-ҳои баъдӣ устувортар мегарданд.

Дар Server-Based training ва validation accuracy дар чанд epoch аз %99,5 боло меравад. Дар Malware Traffic низ accuracy хеле барвақт ба %100 наздик мешавад.

Каҷҳои Loss

Kitsune training loss аз тақрибан 1,2 оғоз шуда, ба зери 0,2 меравад, validation loss бошад то тақрибан 0,08 паст мешавад.

Дар Server-Based training ва validation loss дар чанд epoch ба зери тақрибан 0,05 мераванд. Дар Malware loss тақрибан 0,03 ё камтар аст.

Манбаъ он ки Malware validation loss дар бисёр epoch-ҳо аз training loss пасттар аст, ҳамчун нишонаи underfitting-и сабук бинобар regularization-и қавӣ тафсир мекунад. Ин тафсири муаллиф аст; таҳқиқот барои он formal statistical test-и алоҳида гузориш намедиҳад.

Table 4-и муқоисавӣ чӣ гуна хонда шавад?

РавишBest Accuracy (%)ШарҳпазирӣДастгирии Multi-dataset
Ref. 2098.7Partial, SHAPHybrid Boosting
Ref. 1197.9High, XAI surveyReview-based
Ref. 1296.3Low2 datasets
Ref. 2598.5Federated SHAPFederated DL
Proposed model99.99SHAP visual + feature attributionKitsune + Server + Malware

%99,99 дар Table 4 accuracy-и Server-Based мебошад, ки баландтарин натиҷаи системаи пешниҳодшуда дар се маҷмуаи додаҳо аст. Ҷадвал “best achieved accuracy”-и таҳқиқоти гуногунро дар маҷмуаҳои додаҳо ва усулҳои гуногун паҳлуи ҳам мегузорад. Аз ин рӯ онро head-to-head benchmark-и назоратшуда бо як test set тафсир кардан мумкин нест.

Оё Cross-dataset transfer воқеан санҷида шуд?

Не. Мувофиқи изҳори равшани бахши хулоса, таҳқиқот cross-dataset transfer learning-ро нишон намедиҳад. Pipeline-и умумӣ ба се network environment мустақилона татбиқ шудааст.

Дар қисми пештари матн ибораи қавитаре ҳаст, ки pipeline дар domain-ҳои гуногун “without requiring retraining or architectural modifications” кор мекунад. Аммо бахши усул барои ҳар маҷмуаи додаҳо training/test process-ро муайян мекунад ва бахши хулоса равшан мегӯяд, ки transfer learning иҷро нашудааст. Аз ин рӯ Verianla ҳамчун тафсири бехатар маънои “татбиқи мустақил бе architecture/pipeline customization” нигоҳ медорад ва иддаои “як trained model бе retraining дар се domain истифода шуд”-ро намесозад.

Оё дар UAV-ҳо санҷида шуд?

Не. Дар мақола UAV-specific dataset бо UAV telemetry, RF signal, flight log ё GPS variability истифода нашудааст. UAV intrusion detection танҳо ҳамчун application domain-и эҳтимолии оянда баррасӣ шудааст.

Аз ин рӯ таҳқиқот нишон намедиҳад, ки spoofing, jamming ё дигар ҳамлаҳо дар UAV бо додаҳои воқеии парвоз ошкор шудаанд.

Номуайянии оморӣ ва такроршавандагӣ

Таҳқиқот accuracy, precision, recall, F1-score ва ROC-AUC гузориш медиҳад. Аммо барои натиҷаҳои иҷроиш confidence interval, p-value, effect size ё multiple-random-seed distribution дода нашудааст.

random_state=42 дар контексти deterministic 70/30 split-и SHAP зикр шудааст. Ин маънои онро надорад, ки номуайянии иҷроиш байни training runs-и мустақил чен шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

  • Як preprocessing-и умумӣ ва равиши моделсозии FCNN дар се домени гуногуни network-data ҷудогона татбиқ шудааст.
  • Дар Kitsune %96,0, Server-Based %99,99 ва Malware Traffic %99,58 accuracy гузориш шудааст.
  • Дар Kitsune баъзе синфҳо аз дигарон ба таври равшан заифтаранд; махсусан F1-и Class 2 ва Class 4 мутаносибан 0,74 ва 0,72 мебошад.
  • SHAP барои омӯзиши сохтори feature contribution-и модел дар чанд validation sample истифода шудааст.
  • LIME барои prediction-ҳои алоҳида шарҳи local feature contribution тавлид кардааст.
  • Дар Server-Based ва Malware қиматҳои ROC-AUC барои ҳамаи синфҳои гузоришшуда 1.00 мебошанд.
  • Таҳқиқот дастгирӣ мекунад, ки ҳамон architectural pipeline метавонад ба доменҳои гетерогении додаҳо татбиқ шавад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

  • Нишон дода нашудааст, ки як trained model мустақиман байни се маҷмуаи додаҳо интиқол дода шуда, ҳамон натиҷаҳоро додааст.
  • Cross-dataset transfer learning тасдиқ нашудааст.
  • UAV intrusion defence бо додаҳои воқеии UAV тасдиқ нашудааст.
  • SHAP ё LIME ҳамчун real-time packet-by-packet explanation санҷида нашудааст.
  • Throughput, latency, memory ё long-term drift-и модел дар production network гузориш нашудааст.
  • Performance ablation-и пурра, ки predictive contribution-и модули Attention-ро миқдоран ҷудо кунад, анҷом нашудааст.
  • Азбаски confidence interval ё repeated-seed performance distribution вуҷуд надорад, номуайянии training-run натиҷаҳо миқдоран дода нашудааст.
  • Accuracy-и %99,99 дар Server-Based маънои иҷроиши умумии %99,99 дар ҳамаи маҷмуаҳои додаҳоро надорад.

Номуайяниҳои муҳими методологӣ дар манбаъ

МавзӯъИфодаи манбаъ AИфодаи манбаъ BРавиши Verianla
МасштабкунӣStandard scalingФосилаи [0,1]Навъи scaler аз рӯи маълумоти беруна тағйир дода намешавад.
Ҷойи AttentionМатн/муодилаҳо: attention пас аз h3-и 32-нейронӣAlgorithm 1: attention пеш аз FC-32Фарқ намоён нигоҳ дошта мешавад.
Тартиби DropoutМатн: dropout пас аз ҳар яке аз се hidden layerТартиби Algorithm 1 dropout-и сеюмро нишон намедиҳадСатри гумшуда бо фарзия пур карда намешавад.
Data splitAlgorithm 1: 70% train / 30% testМатни Training validation loss ва validation samples-ро истифода мекунадНисбати split-и сеюм сохта намешавад.
LossУсул: class-weighted lossDenklem 8: multiclass cross-entropy-и стандартӣExact class-weight implementation ҳамчун номаълум нигоҳ дошта мешавад.
Domain generalisationМатни мобайнӣ: “without requiring retraining”Conclusion: cross-dataset transfer иҷро нашуд, маҷмуаҳои додаҳо мустақилона коркард шудандМуваффақияти интиқоли як модел иддао намешавад.
Намоиши AccuracyAbstract: 99,99% ва 99,58%Table 3: 1.00 ва 1.00Қиматҳои Table 3 ҳамчун намоиши гирдшуда баррасӣ мешаванд.

Самтҳои кори оянда

Муаллиф барои корҳои оянда илова кардани UAV-specific dataset ва domain-relevant feature-ҳо, аз ҷумла flight telemetry, GPS variability ва communication-signal pattern-ро пешниҳод мекунад.

Ҳамчунин зарурати real cross-dataset transfer experiments, ablation studies ва муқоисаҳои назоратшуда бо classical machine-learning baselines зикр шудааст.

Инҳо натиҷаҳои анҷомёфтаи мақолаи ҳозира нестанд.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: A domain-agnostic explainable framework for network attack detection across diverse traffic datasets

Муаллиф: Abed Alanazi.

Шумораи муаллифон: 1.

Саҳми баробар: Татбиқ намешавад; таҳқиқот якмуаллифӣ аст.

Corresponding author: Abed Alanazi.

Почтаи электронӣ: ad.alanazi@psau.edu.sa

Муассиса: Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj 11942, Saudi Arabia.

Маҷалла: Scientific Reports.

Ношир/platforma: Nature Portfolio / Springer Nature.

Ҷилд: 16.

Рақами мақола: 24512.

Соли нашр: 2026.

Санаи нашр: 16 июли 2026.

Received: 27 апрели 2026.

Accepted: 6 июли 2026.

DOI: 10.1038/s41598-026-61637-w.

Саҳифаи расмии нашр: Сабти мақолаи Nature / Scientific Reports; тавассути DOI дастрас аст.

Навъи манбаъ: Мақолаи аслии таҳқиқотии нашршуда.

Ҳакамӣ: Scientific Reports маҷаллаи ҳакамии Nature Portfolio мебошад, ки арзёбии коршиносии ҳамтоёнро истифода мебарад.

Иҷозатнома: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International — CC BY-NC-ND 4.0.

Иҷозатнома ва истифодаи визуалӣ: Аз сабаби шарти NoDerivatives, Figure 1–9-и манбаъ ба шакли тағйирдодашуда ё мутобиқшуда ба мақолаи Verianla ворид нашудааст. SVG-и дохили мақола танҳо аз робитаҳои усулӣ, ки дар матни манбаъ равшан тавсиф шудаанд, бо композицияи мустақил омода шудааст.

Соҳаи асосии таҳқиқот: Network intrusion detection, deep learning ва Explainable Artificial Intelligence.

Модели асосӣ: Таснифгари асосёфта ба Fully Connected Neural Network / Multi-Layer Perceptron; Mish activation, dropout ва latent-representation attention-ро дар бар мегирад.

Қабатҳои пинҳонӣ: 128, 64 ва 32 нейрон.

Dropout: p = 0.3.

Optimizer: AdamW.

Learning rate-и ибтидоӣ: 0.001.

Learning-rate scheduling: Cosine annealing; параметрҳои муфассали schedule дар манбаъ дода нашудаанд.

Batch size: 128.

Epoch-и ҳадди аксар: 20.

Early stopping: Бар асоси Validation loss.

Weight initialization: Xavier initialization.

Loss: Multiclass cross-entropy. Матни усул инчунин истифодаи class-weighted loss-ро мегӯяд; exact class-weight values гузориш нашудаанд.

Data split: Дар Algorithm 1: 70% training ва 30% test. Validation loss ва validation samples низ истифода мешаванд; нисбати ҷудогонаи validation partition равшан гузориш нашудааст.

Random state: Дар шарҳи SHAP барои deterministic 70/30 stratified split random_state = 42 нишон дода шудааст.

Kitsune: Аз зиёда аз 20 миллион намунаи аслӣ 9.000 намуна; 115 хусусият; 9 синф.

Server-Based: 225.398 намуна; 27 хусусият; 3 синф; тамоми маҷмуаи додаҳо истифода шудааст.

Malware Traffic: Аз зиёда аз 25 миллион намунаи аслӣ 644.602 намуна; 23 хусусият; 5 синф.

Пур кардани қиматҳои гумшуда: Дар feature-ҳои ададӣ mean, дар feature-ҳои категориявӣ mode.

Кодгузории категориявӣ: Дар feature-ҳои номиналӣ one-hot encoding; дар binary/ordinal feature-ҳо label encoding.

Ифодаи манбаъ оид ба Scaling: Манбаъ “Standard scaling” ва “[0,1]”-ро якҷо истифода мекунад. Verianla навъи scaler-ро аз рӯи маълумоти беруна тағйир надодааст.

Натиҷаҳои асосии accuracy: Kitsune %96,0; Server-Based %99,99; Malware Traffic %99,58.

Синфҳои заифи Kitsune: Class 2 F1 = 0,74; Class 4 F1 = 0,72.

ROC-AUC: Дар Kitsune аксари синфҳо 1.00, Class 2 ва Class 4 тақрибан 0.99; дар синфҳои Server-Based ва Malware 1.00 гузориш шудааст.

SHAP: 100 намунаи собити validation; KernelSHAP / shap.Explainer; CPU-side prediction wrapper.

LIME: Барои ҳар маҷмуаи додаҳо як намунаи намояндагии validation; idx = 0; num_features = 10.

Режими кори XAI: Offline forensic analysis ва post-incident investigation; real-time per-packet explanation нест.

Cross-architecture SHAP: Шарҳҳои Proposed MLP + Attention, MLP бе attention ва Random Forest ба таври сифатӣ муқоиса шудаанд; ин муқоиса predictive-performance ablation нест.

Cross-dataset transfer: Иҷро нашудааст. Бахши Conclusion равшан мегӯяд, ки ҳамон pipeline ба маҷмуаҳои додаҳои гуногун мустақилона татбиқ ва арзёбӣ шудааст.

UAV validation: Иҷро нашудааст. UAV telemetry, RF signals ва flight logs дар додаҳои мавҷуда нестанд.

Санҷишҳои оморӣ: Барои иҷроиш p-value, confidence interval ё effect size гузориш нашудааст.

Repeated-seed performance: Гузориш нашудааст.

Data availability: Kitsune, Malware Capture Facility ва server/network malware dataset-и истифодашуда дар манбаъ ҳамчун public dataset нишон дода шудаанд.

Саҳмҳои муаллиф: Conceptualization, data curation, formal analysis, funding acquisition, investigation, methodology, project administration, validation ва writing—review & editing ҳама аз ҷониби Abed Alanazi иҷро шудаанд.

Маблағгузорӣ: Дастгирии CRPG-25-3295 аз National Cybersecurity Authority, Kingdom of Saudi Arabia ва маблағгузории лоиҳаи PSAU/2026/R/1447 аз Prince Sattam bin Abdulaziz University гузориш шудааст.

Барӯрди манфиатҳо: Муаллиф изҳор мекунад, ки competing interests вуҷуд надоранд.

Ҳудуди асосии методологӣ: Таҳқиқот аз таҷрибаҳои мустақил дар се маҷмуаи додаҳои оммавии амнияти шабакавӣ иборат аст; production network field validation, cross-dataset transfer learning ва UAV-specific validation-ро дар бар намегирад.

Ҳудуди меъмории дохилиманбаъӣ: Матн/муодилаҳо attention-ро пас аз h3 нишон медиҳанд, дар ҳоле ки Algorithm 1 attention-ро пеш аз FC-32 ҷойгир мекунад; Verianla ин фарқро пинҳонӣ ислоҳ накардааст.

Ҳудуди split-и дохилиманбаъӣ: Дар баробари ибораи 70/30 train-test, validation loss ва validation samples истифода шудаанд; нисбати ҷудогонаи validation равшан дода нашудааст.


Мубодила:

Шарҳҳо пас аз баррасӣ нашр мешаванд. Шарҳи шумо ба раванди тасдиқ фиристода шуда, пас аз пазируфта шудан намоён мегардад.

Шарҳ гузоред

Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд