Арзёбии муваффақияти системаҳои ошкорсозии ҳамлаҳо, ки дар шабакаҳои 5G истифода мешаванд, танҳо бо як арзиши дақиқӣ ё F1 метавонад як масъалаи муҳимро пинҳон кунад: чанд ҳамла аз назар гузашт ва чанд ҷараёни муқаррарии шабака ҳушдори бардурӯғ ба вуҷуд овард, як чиз нест. Ин таҳқиқот меомӯзад, ки чӣ гуна метавон тавозуни байни ин ду навъи хаторо бо гетерогенӣ кардани меъмории “conditional counter-inspection”, ки қарори таснифгари марҳилаи аввалро танҳо ҳангоми зарурат бо моделҳои коршинос аз нав месанҷад, танзим кард.

Система аз таснифгари глобалӣ (G), шохаи EM иборат аз се коршиноси malicious-biased ва шохаи EB иборат аз се коршиноси benign-biased иборат аст. Модели глобалӣ аввал як ҷараёни шабакаро ҳамчун benign ё malicious тасниф мекунад. Сипас танҳо се модели махсусгардонидашуда ба синфи муқобили қарори глобалӣ фаъол мешаванд. Қарори аввал танҳо дар сурате тағйир меёбад, ки ҳар се коршинос ба таснифгари глобалӣ мухолифат кунанд. Ҳамин тавр, гарчанде система ҳафт моделро нигоҳ медорад, барои як сабт дар баробари модели глобалӣ танҳо се коршиносро иҷро мекунад; яъне барои ҳар сабт ҳадди аксар чор модел арзёбӣ мешавад.

Муҳаққиқон алгоритмҳои дарахти қарор (DT), Random Forest (RF), Extremely Randomized Trees (ET) ва Histogram-based Gradient Boosting (HGB)-ро дар нақшҳои G, EM ва EB бо таркибҳои гуногун ҷойгир карданд. Logistic Regression (LR) бошад, махсусан барои сохтани марҳилаи аввали глобалии заиф истифода шуд. Озмоишҳо дар маҷмуаҳои додаҳои 5G-NIDD ва UNSW-NB15 гузаронида шуданд.

Хулосаи асосии таҳқиқот ин аст, ки кам кардани ҳамлаҳои аз дастрафта танҳо ба дарахти қарори CART хос нест. Дар ҳамаи ҷуфтҳои dataset–конфигуратсияи дарахтӣ, ки баррасӣ шуданд, шумораи false negative нисбат ба таснифгари глобалӣ кам шуд. Дар 5G-NIDD ин коҳиш вобаста ба конфигуратсия аз %36,5 то %79,6 тағйир ёфт. Бо вуҷуди ин, дар баъзе конфигуратсияҳо ҳангоми кам шудани false negative шумораи false positive зиёд шуд; бинобар ин меъморӣ ҳар ду навъи хаторо ҳамзамон ва бидуни шарт кам намекунад.

Натиҷа дар таснифгари глобалии заифи Logistic Regression боз ҳам назаррастар аст. Дар 5G-NIDD, LR-и мустақил 795 false positive ва 571 false negative ба вуҷуд овард, дар ҳоле ки таркиби LR–RF–RF онҳоро мутаносибан то 57 ва 24 кам кард. Дар UNSW-NB15 конфигуратсияи LR–RF–DT арзиши F1-ро аз 0,902575 то 0,934041 боло бурда, шумораи ҳамлаҳои аз дастрафтаро аз 19.629 то 12.653 коҳиш дод; аммо шумораи false positive-ро аз 1.897 то 2.415 зиёд кард.

Аз назари Туркия: Ин равиш метавонад барои операторони мобилӣ, инфрасохторҳои 5G/5G-и хусусӣ, системаҳои MEC, марказҳои дода ва марказҳои амалиёти амниятӣ дар Туркия як меъмории IDS-и қобили таҳқиқ пешниҳод кунад. Махсусан дар муҳитҳое, ки арзиши ҳушдори бардурӯғ ва арзиши амниятии ҳамлаи аз дастрафта фарқ мекунанд, имкони танзими ҳамон меъмории қарор бо таркибҳои гуногуни коршиносон муҳим аст. Аммо таҳқиқот дар шабакаи воқеии оператори 5G дар Туркия гузаронида нашудааст. Барои татбиқи маҳаллӣ тақсимоти воқеии трафик, профилҳои ҳамла, арзиши истихроҷи хусусиятҳо, ҳамгироии UPF/NWDAF/MEC, таъхир ва идоракунии ҳушдорҳо бояд алоҳида чен карда шаванд.

Чаро як арзиши F1 метавонад кофӣ набошад?

Дар системаи ошкорсозии ҳамлаҳо, вақте ки трафики malicious ҳамчун синфи мусбат қабул мешавад, ду хатои муҳим ба вуҷуд омада метавонад. False positive (FP) ин ҳамчун ҳамла ишора шудани ҷараёни муқаррарии шабака аст. False negative (FN) бошад, ҳамчун трафики муқаррарӣ арзёбӣ шудани ҳамлаи воқеӣ мебошад.

Арзиши амалиётии ин ду хато баробар нест. Агар FP хеле зиёд бошад, таҳлилгарони амниятӣ бо ҳушдорҳои бардурӯғ машғул мешаванд ва хастагӣ аз ҳушдорҳо пайдо шуда метавонад. Баръакс, баланд будани FN маънои онро дорад, ки ҳамлаҳои воқеӣ аз қабати ошкорсозӣ мегузаранд. Аз ин рӯ, ҳатто агар арзишҳои F1-и ду IDS ба ҳам хеле наздик бошанд, рафтори амниятии онҳо метавонад ба таври назаррас фарқ кунад.

Ҳадафи таҳқиқот танҳо ба даст овардани F1-и баландтар нест, балки дар дохили як меъмории қарор имкони тағйир додани он аст, ки кадом навъи хато тавассути ҷойгиркунии модели коршинос шадидтар назорат карда шавад.

Қарши-тафтиши шартӣ чӣ гуна кор мекунад?

Расми 1 дар саҳифаи 5-и таҳқиқот механизми қарори меъмориро равшан нишон медиҳад. Ҷараёни шабака аввал ба таснифгари глобалӣ фиристода мешавад. Агар модели глобалӣ қарори benign диҳад, танҳо коршиносони malicious-biased ва агар қарори malicious диҳад, танҳо коршиносони benign-biased иҷро мешаванд.

Verianla Live: Намоиши раванд аз ҷадвали намоёни додаҳои боло сохта мешавад. Ҷадвал ҳамчун source-of-truth-и илмӣ нигоҳ дошта мешавад.

Чаро “мухолифати якдилона” истифода мешавад?

Мухолифати танҳо як коршинос бо қарори глобалӣ барои тағйир додани нишона кофӣ нест. Масалан, агар модели глобалӣ ҷараёнро benign арзёбӣ карда бошад, ҳар се коршиноси malicious-biased бояд malicious гӯянд.

Нишондиҳандаи якдилии коршиносони malicious-biased дар таҳқиқот:

\[ u_M(x)=\prod_{\rho\in R}E_M^{(\rho)}(x) \]

ва барои коршиносони benign-biased:

\[ u_B(x)=\prod_{\rho\in R}\left[1-E_B^{(\rho)}(x)\right] \]

ба ҳамин шакл муайян шудаанд.

Қарори ниҳоӣ бошад:

\[ \hat{y}(x)=[1-g(x)]u_M(x)+g(x)[1-u_B(x)] \]

ба ин шакл ифода мешавад. Дар ин ҷо \(g(x)\) қарори аввалини таснифгари глобалиро ифода мекунад. Ин формула муайян мекунад, ки қарори аввалини benign танҳо вақте ба malicious табдил меёбад, ки ҳамаи коршиносони EM мухолифат кунанд; қарори аввалини malicious низ танҳо вақте ба benign табдил меёбад, ки ҳамаи коршиносони EB мухолифат кунанд.

Чаро коршиносон дар ҳамон як дода омӯзонида намешаванд?

Дар ҳар шохаи коршиносон се модел мавҷуд аст ва онҳо ба синфи муқобил бо таносубҳои гуногун дучор карда мешаванд. Таносубҳои истифодашуда дар таҳқиқот:

\[ R=\{0{,}10,\;0{,}20,\;0{,}30\} \]

мебошанд.

Коршиноси malicious-biased ҳар як намунаи омӯзишии malicious-ро мебинад, дар ҳоле ки танҳо қисми муайяни синфи benign-ро мебинад. Барои коршиносони benign-biased шакли симметрии ин раванд истифода мешавад. Ҳамин тавр, моделҳо ҳангоми ҳал кардани як масъалаи асосии тасниф ба минтақаҳои гуногуни хато ҳассос мегарданд.

Муҳаққиқон ин сохтори омӯзиширо тағйир надоданд; онҳо танҳо алгоритмҳои омӯзиширо, ки дар нақшҳои G, EM ва EB истифода мешуданд, иваз карданд. Ин тарҳи озмоиш барои он интихоб шудааст, ки фарқи натиҷаҳо аз routing ё қоидаи якдилӣ не, балки аз ҷойгиркунии омӯзанда ба вуҷуд меояд ё не, санҷида шавад.

Нишондоди G–EM–EB чӣ маъно дорад?

Ҳар конфигуратсия ба шакли сегона навишта мешавад:

G – EM – EB

• G: Таснифгари глобалии марҳилаи аввал.
• EM: Оилаи коршиносони malicious-biased, ки ҳангоми benign будани қарори аввал фаъол мешавад.
• EB: Оилаи коршиносони benign-biased, ки ҳангоми malicious будани қарори аввал фаъол мешавад.

Масалан, DT–RF–HGB маънои онро дорад, ки таснифгари глобалӣ Decision Tree, коршиносони malicious-biased Random Forest ва коршиносони benign-biased Histogram-based Gradient Boosting мебошанд.

Алгоритмҳои асосии баррасишуда DT, RF, ET ва HGB мебошанд. Logistic Regression ҳамчун алтернативаи умумӣ ба ҷои дарахт ба таври васеъ санҷида нашуда, махсусан барои озмоиши фишории “филтри глобалии заиф” истифода шудааст.

Чаро оилаи озмоиш ҳамаи 64 таркибро намесанҷад?

Ҷойгир кардани чор алгоритми дарахтӣ дар се нақш аз ҷиҳати назариявӣ метавонад \(4^3=64\) таркиби гуногун ба вуҷуд орад. Муҳаққиқон ҳамаи онҳоро насанҷидаанд.

Ба ҷои ин, чор оилаи озмоиши назоратшаванда сохта шудааст:

Аз ин рӯ, таҳқиқот иддао намекунад, ки оптимуми мутлақ дар байни ҳамаи конфигуратсияҳои имконпазир пайдо шудааст.

Чаро 5G-NIDD ва UNSW-NB15 якҷоя истифода шуданд?

Ду маҷмуаи дода барои муаррифии режимҳои гуногуни душворӣ интихоб шудаанд. 5G-NIDD трафики benign ва ҳамларо дар шабакаи воқеан функсионалии озмоишии 5G дар бар мегирад ва моделҳои дарахтии истифодашуда дар ин маҷмуаи дода аллакай иҷрои ниҳоят баланд нишон медиҳанд.

Дар 5G-NIDD тақсимоти омӯзиш/санҷиш ба шакли stratified %80/%20 анҷом дода шудааст; 972.712 сабт барои омӯзиш ва 243.178 сабт барои санҷиш истифода шудааст. Таносуби malicious дар ҳар ду қисм тақрибан 0,607 аст.

Дар UNSW-NB15 қисмҳои пешакӣ муайяншудаи маҷмуаи дода нигоҳ дошта шудаанд: 82.332 сабти омӯзишӣ ва 175.341 сабти санҷишӣ. Пас аз One-hot encoding 190 хусусият ба даст омадааст; таносуби malicious дар омӯзиш 0,5506 ва дар санҷиш 0,6806 дода шудааст.

Ҳамаи табдилдиҳиҳои дода танҳо дар қисми омӯзиш fit карда шуда, ба қисми санҷиш бетағйир татбиқ шудаанд. Сутунҳои Attack Type ва Attack Tool дар 5G-NIDD барои пешгирии хатари label leakage аз омӯзиш хориҷ карда шуданд.

Оё ҳамлаҳои аз дастрафта воқеан кам мешаванд?

Натиҷаи устувортарини таҳқиқот кам шудани шумораи false negative аст. Дар озмоишҳои Global-only ва homogeneous tree-based substitution, ҳамаи ҷуфтҳои dataset–конфигуратсияи баррасишуда дар ҳар ду маҷмуаи дода нисбат ба модели глобалии марҳилаи аввал FN-и камтар ба вуҷуд овардаанд.

Дар 5G-NIDD коҳиши нисбии FN аз %36,5 то %79,6 тағйир ёфт. Баландтарин сатҳ дар конфигуратсияи HGB–HGB–HGB мушоҳида шуд; 54 false negative-и модели глобалии HGB пас аз pipeline то 11 коҳиш ёфт.

Дар UNSW-NB15 таъсир хурдтар аст. Коҳиши FN тақрибан аз %0,9 то %5,8 тағйир ёфта, дар конфигуратсияи HGB–HGB–HGB арзиши 16.657 FN то 15.697 коҳиш ёфтааст.

Ин натиҷа дар доираи таҳқиқот дастгирӣ мекунад, ки таъсири барқарорсозии ҳамлаи counter-inspection танҳо аз рафтори Decision Tree сарчашма намегирад. Аммо натиҷа исбот намекунад, ки меъморӣ дар ҳамаи маҷмуаҳои дода ё ҳамаи оилаҳои модел ҳамон рафторро нишон медиҳад.

Оё FN-и камтар ҳамеша F1-и беҳтарро маъно дорад?

Не. HGB–HGB–HGB мисоли равшани ин аст. Дар 5G-NIDD модели глобалии HGB танҳо се false positive ба вуҷуд овард, аммо дар охири pipeline шумораи FP то 109 афзуд. Ҳамзамон FN аз 54 то 11 коҳиш ёфт.

Ҳамин тавр, система ҳамлаҳои хеле бештарро муайян кард, аммо трафики benign-и бештарро ҳамчун ҳамла нишон дод. Арзиши F1 аз 0,999807 то 0,999594 каме поён рафт.

Ин натиҷа даъвои асосии таҳқиқотро дастгирӣ мекунад: қабати коршиносон танҳо “баландбардорандаи иҷро” нест; он метавонад самти профили хаторо тағйир диҳад.

Тағйири модели коршинос ба тавозуни FP/FN чӣ гуна таъсир мекунад?

Вақте модели глобалӣ ҳамчун DT собит нигоҳ дошта шуд, коршиносони RF дар 5G-NIDD яке аз профилҳои мутавозинро ба вуҷуд оварданд. 48 FP ва 51 FN-и standalone DT бо DT–RF–RF то 28 FP ва 26 FN коҳиш ёфтанд. Ин маънои %41,7 коҳиш дар FP ва %49,0 коҳиш дар FN-ро дорад.

Коршиносони HGB профили амниятии шадидтар сохтанд: дар ҳоле ки FN аз 51 то 14 кам шуд, FP аз 48 то 64 афзуд. Ҳамин тавр missed-attack recovery қавитар шуд, вале арзиши ҳушдори бардурӯғ зиёд гардид.

Дар UNSW-NB15 профилҳои хатои ҳамин алгоритмҳо рафтори дигар нишон доданд. Ин дафъа коршиносони HGB FP-ро %25,0 ва FN-ро %5,2 кам карданд. Ин нишон медиҳад, ки алгоритми мушаххаси коршинос дар ҳар маҷмуаи дода рафтори собити FP/FN надорад.

Оё як “конфигуратсияи беҳтарин” вуҷуд дорад?

Равиши таҳқиқот махсусан ба ин ақида мухолиф аст. Конфигуратсияҳои гуногун ба ҳадафҳои амалиётии гуногун хизмат мекунанд.

Масалан, дар UNSW-NB15, HGB–RF–RF ҳангоми баланд кардани F1 ва кам кардани FN шумораи FP-ро аз 1.515 то 2.356 зиёд кардааст. Ин конфигуратсия метавонад барои муҳите, ки афзалияти баланд ба муайян кардани ҳамла дода мешавад, маъно дошта бошад; аммо барои амалиёти дигаре, ки ҳаҷми ҳушдорҳо муҳим аст, ҳамон интихоб метавонад мувофиқ набошад.

Оё марҳилаи аввали заиф воқеан наҷот дода мешавад?

Дар яке аз озмоишҳои муҳими таҳқиқот модели Logistic Regression қасдан ҳамчун таснифгари глобалии заиф истифода шудааст.

Дар 5G-NIDD standalone LR:

• 795 false positive,
• 571 false negative,
• 0,994410 F1

ба вуҷуд овардааст.

Ҳангоми истифодаи LR–RF–RF:

• FP то 57,
• FN то 24,
• F1 то 0,999726

расидааст.

Verianla Live: Рақамҳо натиҷаҳои хоми FP/FN мебошанд, ки таҳқиқот барои ҳамон маҷмуаи дода ва ҳамон қисми санҷишӣ медиҳад.

Дар UNSW-NB15 бошад, конфигуратсияи LR–RF–DT натиҷаи махсусан recall-гаро ба вуҷуд овардааст. F1 аз 0,902575 то 0,934041 боло рафта, FN аз 19.629 то 12.653 коҳиш ёфтааст. Дар муқобил, FP аз 1.897 то 2.415 афзудааст.

Аз ин рӯ, таҳқиқот на нишон медиҳад, ки филтри аввали заиф дар ҳар навъи хато бидуни шарт беҳтар мешавад, балки нишон медиҳад, ки онро бо қабати коршиносон ба таври назаррас аз нав шакл додан мумкин аст.

Оё pipeline воқеан “сабук” аст?

Меъморӣ ҳафт модели ҷудогона дорад: як модели глобалӣ, се коршиноси EM ва се коршиноси EB. Аммо аз сабаби routing дар ҳамон ҷараён танҳо як шохаи коршиносон кор мекунад. Ҳамин тавр:

1 модели глобалӣ + 3 коршинос = ҳадди аксар 4 арзёбии модел

анҷом дода мешавад.

Дар ченкуниҳои single-threaded-и таҳқиқот, таъхири таснифгари pipeline-и пурра дар ҳамаи backbone-ҳои санҷидашуда барои ҳар сабт аз 0,1 ms камтар мондааст.

Ин ҷадвал як фарқи муҳимро нишон медиҳад. Аз нигоҳи routing, pipeline арзиши паст ва маҳдуди inference дорад; аммо ҳамаи оилаҳои моделҳо истеъмоли пасти хотира надоранд. Хусусан моделҳои ET ва RF метавонанд ба садҳо мегабайт, ҳатто тақрибан 1,1 GB ҳаҷми умумии модел бирасанд.

Бинобар ин, ифодаи “lightweight” дар ин ҷо набояд маънои онро диҳад, ки ҳамаи конфигуратсияҳо хурданд. Дар ҳоле ки моделҳои DT ва HGB аз ҷиҳати хотира хеле фишурда ба назар мерасанд, баъзе профилҳои хатои RF ва ET бо арзиши бештари хотира ба даст меоянд.

Оё натиҷаи 0,1 ms таъхири воқеии 5G аст?

Не. Ин яке аз муҳимтарин нуқтаҳоест, ки ин таҳқиқотро набояд нодуруст тафсир кард.

Вақтҳои ченшуда танҳо вақти classifier inference мебошанд. Додаҳои санҷишӣ пешакӣ омода карда шудаанд ва пешгӯиҳо дар шароити offline batch бо истифода аз як ришта чен карда шудаанд.

Дар системаи воқеии 5G IDS ба инҳо инчунин:

• гирифтани бастаҳо ё ҷараёнҳои шабака,
• истихроҷи flow feature,
• интиқоли дода ба модел,
• пешкоркард,
• сохтани alert,
• ҳамгироии SIEM/SOC,
• дигар хароҷоти коркард дар дохили network function

илова мешаванд.

Аз ин рӯ, на “EPoLBFT...”, балки арзишҳои камтар аз 0,1 ms, ки барои conditional counter-inspection IDS дар ҳамин таҳқиқот дода шудаанд, набояд ҳамчун таъхири воқеии end-to-end-и ошкорсозии ҳамла дар 5G тафсир карда шаванд.

Имкони татбиқ аз нуқтаи назари MEC, UPF ва NWDAF чӣ гуна арзёбӣ мешавад?

Муҳаққиқон истифодаи меъмориро дар 5G network edge, Multi-access Edge Computing (MEC), нуқтаҳои monitoring дар наздикии User Plane Function (UPF) ё системаҳои атрофи Network Data Analytics Function (NWDAF) баррасӣ мекунанд.

Хусусияти муҳими меъмории гетерогенӣ ин аст, ки гарчанде моделҳои гуногуни коршинос илова мешаванд, он ченкунии нави шабакавиро талаб намекунад. Модели глобалӣ ва ҳамаи коршиносон бо ҳамон flow-level feature vector кор мекунанд.

Пас, агар хусусиятҳое, ки системаи мавҷудаи homogeneous CART талаб мекунад, аллакай дар як нуқтаи муайяни network monitoring истеҳсол шаванд, версияи гетерогенӣ метавонад аз ҳамон хусусиятҳо истифода кунад. Аммо дар таҳқиқот ҳамгироии воқеии MEC/UPF/NWDAF иҷро нашудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Нишон дода шудааст, ки нақшҳои G, EM ва EB дар меъмории Conditional counter-inspection метавонанд бо алгоритмҳои гуногуни омӯзиш пур карда шаванд.
• Ҳамаи конфигуратсияҳои дарахтии баррасишуда дар ҳар ду маҷмуаи дода нисбат ба таснифгари глобалии standalone-и худ миқдори муайяни FN-ро кам карданд.
• Нишон дода шудааст, ки интихоби backbone-и коршинос метавонад ба тавозуни false positive ва false negative таъсири самтнок расонад.
• Таркибҳои гуногуни G–EM–EB профилҳои гуногуни амалиёти амниятӣ ба вуҷуд оварданд.
• Нишон дода шудааст, ки марҳилаи аввали заифи Logistic Regression метавонад бо коршиносони дарахтӣ ба таври назаррас беҳтар карда шавад.
• Аз сабаби Conditional routing барои ҳар сабт ҳадди аксар чор модел арзёбӣ шудааст.
• Вақтҳои classifier-only inference, ки дар таҳқиқот чен шудаанд, дар ҳамаи backbone-ҳои санҷидашуда барои ҳар сабт аз 0,1 ms камтар мондаанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад ё ҳанӯз насанҷидааст

• Нишон дода нашудааст, ки меъморӣ дар шабакаи воқеии истеҳсолии 5G бо ҳамон таъхир кор мекунад.
• Ченкунии камтар аз 0,1 ms таъхири end-to-end packet capture–feature extraction–alert нест.
• Ҳамаи 64 таркиби дарахтии G–EM–EB санҷида нашудаанд.
• Профилҳои амалиётии интихобшуда дар таҳқиқот тавассути validation set-и мустақил ҳамчун deployment optimum муайян нашудаанд.
• Модел танҳо дар доираи таснифи дуии benign–malicious арзёбӣ шудааст; таснифи оилаи ҳамла санҷида нашудааст.
• Нишон дода нашудааст, ки натиҷаҳои near-ceiling дар 5G-NIDD ба трафики воқеии гуногуни шабака ҳамон тавр умумӣ мешаванд.
• Нишон дода нашудааст, ки ҳамаи конфигуратсияҳои Random Forest ва Extra Trees барои дастгоҳҳои edge-и камхотира мувофиқанд.
• Дар шабакаҳои воқеии 5G ё 5G-и хусусии Туркия санҷиш гузаронида нашудааст.

Усул ва натиҷаҳои таҳқиқот

Дода ва пешкоркард

Моделҳои истифодашуда ва муҳити нармафзор

Муҳаққиқон барои ҳар конфигуратсия hyperparameter optimization-и ҷудогона анҷом надодаанд. Ҳадафи танзимоти собити алгоритм ин аст, ки фарқи иҷро ба ҷои unequal tuning ҷойгиршавии модел дар нақшро инъикос кунад.

Меъёрҳои арзёбӣ

Бо қабул кардани синфи Malicious ҳамчун мусбат, accuracy, precision, recall ва F1 ба шакли стандартии зерин ҳисоб шудаанд:

\[ Accuracy=\frac{TP+TN}{TP+TN+FP+FN} \]

\[ Precision=\frac{TP}{TP+FP} \]

\[ Recall=\frac{TP}{TP+FN} \]

\[ F1=\frac{2\cdot Precision\cdot Recall}{Precision+Recall} \]

Таҳқиқот махсусан шумораҳои хоми FP ва FN-ро низ нигоҳ доштааст. Ин равиш муҳим аст, зеро зери арзишҳои хеле баланди F1 фарқи амалиётӣ байни чанд даҳ хато метавонад дар холҳои нормализатсияшуда қариб нонамоён шавад.

5G-NIDD: муқоисаи backbone-и коршиносон

UNSW-NB15: муқоисаи backbone-и коршиносон

Натиҷаҳои филтри заифи LR

Дар UNSW-NB15, LR–RF–DT дар байни конфигуратсияҳои гузоришшудаи таҳқиқот бузургтарин афзоиши мутлақи F1-ро таъмин кардааст: +0,031466. Аммо ҳамон конфигуратсия нисбат ба standalone LR, FP-ро %27,3 зиёд кардааст. Аз ин рӯ, натиҷа набояд ҳамчун “таснифгари заиф аз ҳар ҷиҳат беҳтар шуд” тафсир шавад, балки ҳамчун гузариш ба профили нави хато ба нафъи recall ва aggregate F1 фаҳмида шавад.

Чен кардани арзиши inference

Озмоишҳои таъхир дар 243.178 сабти held-out test-и 5G-NIDD ва 175.341 сабти UNSW-NB15 анҷом дода шудаанд. Пешгӯиҳо single-threaded иҷро шуда, пас аз warm-up беҳтарин натиҷаи панҷ даври вақтсанҷӣ истифода шудааст.

Таносуби таъхири pipeline/global тақрибан аз 3,3× то 5,8× тағйир ёфтааст. Ин афзоиш маънои иҷро шудани ҳамаи ҳафт моделро надорад; аз сабаби conditional routing танҳо global + се коршиноси фаъол арзёбӣ мешаванд.

Камтарин арзиши full-pipeline дар таҳқиқот барои DT-и 5G-NIDD 0,0024 ms/сабт ва баландтарин арзиш барои ET-и UNSW-NB15 0,0978 ms/сабт мебошад.

Ин вақтҳо танҳо вақти classifier inference мебошанд; feature extraction, data movement ва alert handling берун аз доираанд.

Маҳдудиятҳои асосии таҳқиқот

• Ҳамаи 64 сегонаи эҳтимолии гетерогении дарахтӣ санҷида нашудаанд.
• Профилҳои deployment-oriented аз натиҷаҳои held-out test муайян шудаанд; онҳо бо independent validation partition интихоб нашудаанд.
• Танҳо ду маҷмуаи дода истифода шудааст ва азбаски фазоҳои feature фарқ мекунанд, cross-dataset transfer анҷом дода нашудааст.
• Ченкуниҳои таъхир дар шароити offline, batch ва single-threaded classifier inference анҷом дода шудаанд.
• Иҷрои end-to-end дар дохили network function-и зиндаи 5G чен карда нашудааст.
• Масъала бо таснифи binary benign/malicious маҳдуд аст.
• Профилҳои коршиносии ба RF ва ET асосёфта метавонанд талаботи назарраси хотира дошта бошанд.

Самтҳои таҳқиқоти оянда

Муаллифон ҳамчун кори оянда тавсеаҳои multi-class-ро, ки навъҳои ҳамларо ҳамчун синфҳои ҷудогона баррасӣ мекунанд, интихоби профилро бо функсияи арзиш дар додаҳои махсуси validation, тасдиқ дар маҷмуаҳои бештари IDS, таҳқиқи низоммандтари фазои таркибҳои гетерогенӣ ва арзёбии runtime дар муҳити воқеии 5G edge/network-function пешниҳод мекунанд.

Барои тавсеаи multi-class, коршиносони оилаи ҳамлаи вобаста ба як таснифгари глобалии multi-class, коршиносони one-vs-rest correction, коршиносони гурӯҳӣ барои ҳамлаҳои монанд ё сохторҳои иерархӣ, ки аввал benign/malicious-ро ҷудо мекунанд ва баъд навъи ҳамларо тасниф мекунанд, баррасӣ мешаванд.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: Heterogeneous Conditional Counter-Inspection: Configurable Error Control and Weak-Filter Recovery for 5G Network Intrusion Detection

Муаллифон: Khaoula Tahori; Imade Fahd Eddine Fatani; Mohamed Moughit; Hicham Magri.

Тартиби муаллифон: Тартиб чунон ки дар манбаъ омадааст, айнан нигоҳ дошта шудааст.

Муаллифи ҳамбаробар/саҳми баробар: Дар манбаъ нишонаи муаллифии ҳамбаробар зикр нашудааст.

Муаллифони масъул: Imade Fahd Eddine Fatani ва Mohamed Moughit.

Муассисаҳо: Sciences and Techniques for the Engineer Laboratory (LASTI), National School of Applied Science, University Sultan Moulay Slimane, Khouribga, Марокаш; Artificial Intelligence, Modeling & Computational Engineering Laboratory (AIMCE), The National Higher School of Arts and Crafts (ENSAM), Hassan II University of Casablanca, Касабланка, Марокаш; Center for Studies and Research in Engineering and Organization Management, Higher School of Multimedia, Computer Science & Networks–Supemir, Hassan II University of Casablanca, Касабланка, Марокаш.

Маҷалла: Future Internet.

Ношир: MDPI, Basel, Switzerland.

Ҷилд / шумора / рақами мақола: 18 / 7 / 381.

DOI: 10.3390/fi18070381

Санаи қабул: 16 июни 2026.

Санаи бознигарӣ: 15 июли 2026.

Санаи пазируфтан: 17 июли 2026.

Санаи нашр: 22 июли 2026.

Навъи манбаъ: Мақолаи таҳқиқотии тақризшуда; меъмории ошкорсозии ҳамлаҳои шабакавӣ бар асоси омӯзиши мошинӣ ва арзёбии муқоисавии маҷмуаҳои дода.

Вазъи тақриз: Нашри илмии тақризшуда.

Иҷозатнома: Creative Commons Attribution (CC BY).

Пайванди расмии нашр:https://doi.org/10.3390/fi18070381

Манбаъҳои дода: Озмоишҳо бо маҷмуаҳои додаи оммавии 5G-NIDD ва UNSW-NB15 гузаронида шудаанд. Дар манбаъ гуфта мешавад, ки 5G-NIDD тавассути IEEE Dataport ва UNSW-NB15 тавассути паҳнкунандагони аслии он дастрасанд.

Дастрасии код: Гузориш шудааст, ки моделҳои омӯзонидашуда, ҷадвалҳои натиҷаҳои ҳосилшуда ва implementatsiya-и пурра бо дархости асоснок аз муаллифи масъул дастрас карда мешаванд. Манбаъ анбори коди кушода ва мустақиман зеркашишавандаро пешниҳод намекунад.

Маблағгузорӣ: Таҳқиқот маблағгузории беруна нагирифтааст.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Саҳми муаллифон: Консептуализатсия, куратсияи дода, усул, нармафзор, идоракунии лоиҳа ва тарҳи аввал Khaoula Tahori; таҳлили расмӣ Khaoula Tahori, Imade Fahd Eddine Fatani, Mohamed Moughit ва Hicham Magri; роҳбарӣ Imade Fahd Eddine Fatani ва Mohamed Moughit; бознигарӣ ва таҳрир Khaoula Tahori, Imade Fahd Eddine Fatani ва Mohamed Moughit анҷом додаанд. Дар манбаъ гуфта мешавад, ки ҳамаи муаллифон версияи нашршударо хонда ва тасдиқ кардаанд.

Робита бо кори қаблӣ: Таҳқиқот меъмории homogeneous CART-и conditional counter-inspection-ро, ки қаблан аз ҷониби ҳамин гурӯҳ нашр шуда буд, тавсеа медиҳад. Саҳми кори нав танҳо аз нав танзим кардани ҳамон pipeline нест; балки бо ҷудо кардани нақшҳои G, EM ва EB санҷидани он аст, ки алгоритмҳои гуногуни омӯзиш профилҳои гуногуни амалиётӣ ба вуҷуд меоранд ё не.

Маҳдудияти интихоби конфигуратсия: Фазои таҳқиқоти гетерогенӣ ба шакли пурраи brute-force санҷида нашудааст. Хусусан профилҳои deployment-oriented оптимумҳои қатъии deployment нестанд, ки тавассути validation partition-и ҷудогона интихоб шуда бошанд; онҳо профилҳои тавзеҳие мебошанд, ки дар натиҷаҳои held-out test мушоҳида шудаанд.

Маҳдудияти ченкунии иҷро: Вақтҳои камтар аз 0,1 ms таъхири end-to-end IDS-и шабакаи воқеӣ нестанд, балки ченкуниҳои offline single-threaded classifier inference мебошанд. Feature extraction, packet/flow acquisition, data movement ва alert handling дохил нестанд.

Ёддошт дар бораи истилоҳи “Lightweight”: Таҳқиқот хусусияти lightweight-ро primarily ба сохтори ҳисоббарории маҳдуди conditional routing мепайвандад, ки барои ҳар сабт ҳадди аксар чор моделро арзёбӣ мекунад. Азбаски дар конфигуратсияҳои Random Forest ва Especially Extra Trees ҳаҷми умумии модел метавонад ба садҳо мегабайт ё тақрибан 1,1 GB бирасад, набояд хулоса кард, ки ҳамаи backbone-ҳо камхотира мебошанд.

Маҳдудияти доираи илмӣ: Натиҷаҳо ба таснифи binary benign/malicious дар 5G-NIDD ва UNSW-NB15 тааллуқ доранд. Multi-class attack identification, ҳамгироии воқеии network-function, deployment-и зиндаи MEC/UPF/NWDAF ва муҳитҳои трафики 5G дар Туркия дар ин таҳқиқот санҷида нашудаанд.

Ёддошти Verianla Live: Визуализатсияи раванд ба conditional routing ва механизми unanimous dissent дар Расми 1-и таҳқиқот асос ёфтааст. Дар муқоисаи LR–RF–RF танҳо арзишҳои хоми FP/FN-и standalone LR ва pipeline, ки аз ҳамон маҷмуаи санҷишии 5G-NIDD гузориш шудаанд, истифода шудаанд. Шумораҳои хоми хато аз маҷмуаҳои додаи гуногун дар як график муқоиса нашудаанд.