Чаҳорчӯбаи омӯзиши мошинии устувор бар асоси Random Forest як равиши омӯзиши ансамблӣ мебошад, ки барои нигоҳ доштани эътимоднокии таснифи трафики шабака дар муқобили ҳамлаҳои заҳролудкунии додаҳои label-flipping, ки тавассути қасдан ва бадхоҳона тағйир додани нишонаҳои додаҳои омӯзишӣ ба вуҷуд меоянд, равона шудааст. Таҳқиқот Random Forest-ро дар сохтори додаҳои мутавозин, ки трафики муқаррарии шабака ва синфҳои MITM, DDoS_HTTP ва Ransomware-ро дар бар мегирад, истифода кардааст; дар барориши экрании манбаъ ҳар яке аз чор синф 1.229 сабт ва маҷмуаи умумии додаҳои тозашуда 4.916 сатр ва 63 сутун нишон дода шудааст. Натиҷаи асосӣ барои модел дақиқии %98,47 мебошад. Бо вуҷуди ин, азбаски мақола ҳиссаи нишонаҳои заҳролудшуда, он ки кадом нишонаҳо ба кадом синф табдил дода шудаанд, тақсимоти омӯзиш/test, шумораи дарахтон ё дигар гиперпараметрҳои Random Forest-ро гузориш намекунад, арзиши %98,47 бояд танҳо дар доираи шароити таҷрибавии гузоришшуда тафсир карда шавад.
Модели асосии ҳамла дар таҳқиқот ҳамлаи label-flipping мебошад: ҳамлагар бе тағйир додани арзишҳои хусусиятҳо нишонаҳои синфии намунаҳои омӯзиширо тағйир дода, мекӯшад модел ҳудудҳои нодурусти қарорро омӯзад. Манбаъ иддао мекунад, ки Random Forest ба шарофати намунагирии bootstrap, интихоби тасодуфии хусусиятҳо ва овоздиҳии аксарияти шумораи зиёди дарахтони қарор метавонад таъсири якхелаи сабтҳои алоҳидаи заҳролудшударо ба тамоми ансамбл коҳиш диҳад. Ҳамчунин пешниҳод мешавад, ки бо истифода аз номувофиқати хусусият-нишона, ихтилофи баланди байни дарахтон, аҳаммияти хусусият, ошкоркунии арзишҳои берунӣ ва санҷишҳои пайдарҳамӣ сабтҳои шубҳанок нишонагузорӣ карда шаванд; баъдан ин сабтҳо аз нав вазнгузорӣ ё хориҷ карда шуда, модел дубора омӯзонида шавад.
Бо вуҷуди он ки дар унвони манбаъ ибораи “Model Attacks” мавҷуд аст ва дар меъморӣ қабати алоҳидаи “model attack and adversarial perturbation layer” муайян шудааст, иҷрои таҷрибавии гузоришшуда асосан ба сенарияи заҳролудкунии додаҳои label-flipping такя мекунад. Дар манбаъ барои backdoor, inference-time adversarial perturbation ё дигар ҳамлаи модел шиддати мустақили ҳамла, протоколи озмоиш ва ҷадвали иҷро дода нашудааст. Аз ин рӯ, натиҷаи %98,47-и таҳқиқотро ҳамчун далели устувории умумӣ бар зидди ҳамаи ҳамлаҳои модел тафсир кардан дуруст нест.
Гузориши тасниф дар Шакли 4 арзиши support-ро барои чор синфи рақамӣ 1.229 нишон медиҳад. Барои синфи 0 precision/recall/F1 1,00/1,00/1,00; барои синфи 1 0,94/1,00/0,97; барои синфи 2 1,00/1,00/1,00; барои синфи 3 1,00/0,94/0,97 нишон дода мешавад. Аммо азбаски PDF ин кодҳои рақамии синфро дар ҷадвали возеҳи мутобиқсозӣ бо номҳои MITM, Normal, DDoS_HTTP ва Ransomware намедиҳад, боэътимод гуфтан мумкин нест, ки кадом синфи номдор дорои precision 0,94 ё recall 0,94 мебошад.
Чаро заҳролудкунии додаҳо барои омӯзиши мошинӣ мушкили алоҳидаи амниятӣ аст?
Модели омӯзиши мошинӣ танҳо аз алгоритм иборат нест; сохтори қароре, ки модел меомӯзад, ба додаҳои омӯзишӣ вобаста аст. Дар ҳамлаи заҳролудкунии додаҳо ҳамлагар додаҳои ҳангоми омӯзиши модел истифодашавандаро дасткорӣ мекунад, то модел баъдан қарорҳои нодуруст қабул кунад. Аз ин рӯ, ҳамла на танҳо ба фиреб додани як вуруди test, балки ба вайрон кардани худи раванди омӯзиши модел равона мешавад.
Дар ҳолате, ки таҳқиқоти манбаъ бар он тамаркуз мекунад, ҳамлагар ба ҷойи тағйир додани хусусиятҳои аз бастаҳои шабака ё сабтҳои шабака гирифташуда нишонаҳои синфро тағйир медиҳад. Чунин сабт аз берун метавонад мисли сабти муқаррарии шабака намоён шавад; аммо тағйир дода шудани маълумоти “ба кадом синф тааллуқ доштани” сабт метавонад боиси он гардад, ки модел муносибати нодурусти байни хусусиятҳо ва синфро омӯзад.
Ҳамлаи Label-Flipping Чист?
Ҳамлаи label-flipping ҳамлаи заҳролудкунии додаҳоест, ки ҳангоми асосан нигоҳ доштани арзишҳои хусусиятҳои намунаҳои омӯзишӣ нишонаҳои дурусти синфро қасдан бо нишонаҳои синфҳои дигар иваз мекунад; дар ин таҳқиқот ҳадаф вайрон кардани муносибати байни хусусиятҳои трафики шабака ва нишонаи синфи додашуда мебошад, то таснифкунанда қарорҳои нодурустро омӯзад.
Агар хусусият ҳамон монад, вале нишона тағйир ёбад, чаро ошкоркунӣ душвортар мешавад?
Дар ҳамлаи арзиши берунӣ намунаи бадхоҳ метавонад аз тақсимоти муқаррарӣ аз ҷиҳати физикӣ ё оморӣ дур бошад. Дар ҳамлаи label-flipping бошад, вектори хусусият метавонад ба сабти одии трафик монанд бошад. Мушкил дар хусусиятҳо нест, балки дар беэътимодии нишона аст. Аз ин рӯ, танҳо санҷиши “оё арзиши ғайримуқаррарӣ вуҷуд дорад?” метавонад кофӣ набошад; муносибати хусусият-нишона, фарқияти қарорҳо байни дарахтон ва пайдарҳамие, ки ҳангоми омӯзиши дубора пайдо мешавад, низ аҳаммият пайдо мекунад.
Заҳролудкунии додаҳо ва ҳамлаи модел як чиз нестанд
Манбаъ дар бахши муқаддима заҳролудкунии додаҳоро бо вайрон шудани додаҳои омӯзишӣ ва ҳамлаҳои моделро бо истифода аз осебпазирӣ дар марҳилаи омӯзиш ё inference алоқаманд мекунад. Ҳамлаҳои модел метавонанд соҳаи васеътареро, ба монанди рафторҳои backdoor ё дасткориҳои adversarial, ки таснифи нодурустро ба вуҷуд меоранд, дар бар гиранд. Аммо бахши таҷрибавии ин мақола тамоми ин оилаи ҳамлаҳоро ба таври муқоисавӣ намеозмояд; арзёбии рақамӣ ба сенарияи label-flipping тамаркуз мекунад.
Сохтори додаҳои таҳқиқот
Дар бахши abstract-и мақола гуфта мешавад, ки дар ҳар синф 1.229 сабт мавҷуд аст ва аз шабака 63 хусусият гирифта шудааст. Барориши экрании Шакли 3 дар саҳифаи 4 чор синфи мутавозинро возеҳ нишон медиҳад: MITM, Normal, DDoS_HTTP ва Ransomware. Дар ҳамон барориши экран маҷмуаи додаҳои тозашуда ҳамчун “4916 rows × 63 columns” дида мешавад.
| Синф | Шумораи сабтҳои дар манбаъ дидашаванда | Ҳолат |
|---|---|---|
| MITM | 1.229 | Дар барориши консоли Шакли 3 возеҳ рӯйхат шудааст. |
| Normal | 1.229 | Дар барориши консоли Шакли 3 возеҳ рӯйхат шудааст. |
| DDoS_HTTP | 1.229 | Дар барориши консоли Шакли 3 возеҳ рӯйхат шудааст. |
| Ransomware | 1.229 | Дар барориши консоли Шакли 3 возеҳ рӯйхат шудааст. |
| Ҷамъ | 4.916 | 1.229 × 4; бо шумораи умумии сатрҳо дар Шакли 3 яксон аст. |
Дар ин ҷо ҷузъиёти муҳими гузоришдиҳӣ мавҷуд аст. Дар ҳоле ки Abstract ибораи “63 features”-ро истифода мебарад, Шакли 3 data frame-ро 63 сутун нишон медиҳад ва дар байни сутунҳои намоён Attack_label ва Attack_type низ ҳастанд. PDF ба таври возеҳ ҷудо намекунад, ки пас аз хориҷ кардани сутунҳои ҳадаф/нишона воқеан 63 predictor-и мустақил истифода шудааст ё не. Аз ин рӯ, Verianla аз номи манбаъ хулосаи “маҳз 63 predictor feature истифода шудааст”-ро тавлид намекунад.
Хусусиятҳои шабакавие, ки дар манбаъ дида мешаванд, чиро ифода мекунанд?
Манбаъ луғати пурраи додаҳои ҳамаи 63 майдонро мустақим намедиҳад. Матн майдонҳое чун frame.time, ip.src_host ва ip.dst_host-ро мисол меорад. Дар меҳварҳои x-и графикҳои имзои намунаи ҳамла ва normal дар саҳифаи 5 инчунин номҳои гуногуни майдонҳои марбут ба ARP, ICMP, HTTP, TCP, UDP, DNS, MQTT ва Modbus/TCP дида мешаванд. Онҳо метавонанд вақти ҷараёни трафик, суроғаҳои манбаъ/мақсад, рафтори протокол, портҳо, маълумоти тартиб/дарозӣ ё хусусиятҳои паёмҳои қабати барномавиро ифода кунанд.
Аммо дар меҳвари y-и Шаклҳои 5 ва 6 воҳиди ченак ва тарзи нормализатсияи ҳар сутун шарҳ дода нашудааст. Аз ин рӯ, ин ду график набояд ҳамчун графикҳои миқдории feature-importance ба маънои “кадом хусусияти протокол аз ҷиҳати илмӣ ҳамин қадар муҳимтар аст” тафсир карда шаванд. Манбаъ онҳоро ҳамчун барориши визуалии имзоҳои шабакавии намунаҳои дорои нишонаи attack ва normal истифода мебарад.
Ядрои асосии мудофиавии модел: Random Forest
Random Forest усули ансамблӣ мебошад, ки якчанд дарахти қарорро дар намунаҳои гуногуни bootstrap ва зермаҷмуаҳои тасодуфии хусусиятҳо омӯзонида, пешгӯиҳои ин дарахтонро ба қарори ансамблӣ муттаҳид мекунад. Мантиқи мудофиавии манбаъ бар он асос ёфтааст, ки сабти заҳролудшуда ба ҳамаи дарахтон яксон таъсир нарасонад ва хатои як дарахт дар овоздиҳии аксарият коҳиш дода шавад.
Мақола маҷмуаи додаҳои тоза/аслиро математикӣ бо D, намунаҳои заҳролудшударо бо Dp ва маҷмуаи омӯзишии вайроншудаеро, ки онҳо ташкил медиҳанд, бо D′ нишон медиҳад:
\[ D' = D \cup D_p \]
Ин ифода чиро мефаҳмонад? Манбаъ ҳолати консептуалиро, ки дар он додаҳои тоза ва намунаҳои заҳролудшуда ё нодуруст нишонагузоришуда якҷоя маҷмуаи омӯзиширо ташкил медиҳанд, бо иттиҳоди маҷмуаҳо нишон медиҳад. Ин муодила алгоритми пурраи тавлиди ҳамларо намедиҳад; дар PDF шумораи сабтҳои заҳролудшуда, аз кадом синф ба кадом синф табдил дода шудан ё ҳиссаи заҳролудкунӣ нишон дода нашудааст.
Чаро Random Forest Метавонад Ба Ҳамлаҳои Label-Flipping Устуворӣ Нишон Диҳад?
Азбаски Random Forest ҳар дарахти қарорро бо намунаҳои гуногуни интихобшудаи bootstrap ва зермаҷмуаҳои гуногуни хусусиятҳо омӯзиш медиҳад, таъсири сабтҳои заҳролудшуда метавонад ба ҳамаи дарахтон яксон паҳн нашавад; он ки қарори ниҳоӣ бо овози аксарияти шумораи зиёди дарахтон дода мешавад, метавонад таъсири хатои дарахти алоҳидаро низ коҳиш диҳад, аммо ин механизм Random Forest-ро ба заҳролудкунии додаҳо ба таври худкор ё бечунучаро масуният намедиҳад.
Намунагирии bootstrap чӣ кор мекунад?
Дар намунагирии bootstrap ҳар дарахти қарор тавассути интихоб бо имкони такрор аз маҷмуаи омӯзишӣ зермаҷмуаи гуногуни додаҳоро мебинад. Тибқи тафсири манбаъ, ин сохтор метавонад боис шавад, ки сабтҳои заҳрнок танҳо ба баъзе дарахтон таъсир расонанд ва тамоми ансамбл ба як вайроншавӣ дучор нашавад. Аммо таъсири воқеӣ ба ҳиссаи заҳролудкунӣ, сохтори синфҳо ва шумораи дарахтон вобаста аст; мақола ин параметрҳоро бо силсилаи муфассали таҷрибаҳо гузориш намекунад.
Интихоби тасодуфии хусусият чӣ кор мекунад?
Дар ҳар тақсимоти дарахти қарор арзёбӣ шудани танҳо як зермаҷмуаи хусусиятҳо байни дарахтон гуногунӣ ба вуҷуд меорад. Ҳамин тавр, вобастагии аз ҳад зиёди ҳамаи дарахтон ба як муносибати хусусият коҳиш ёфта метавонад. Манбаъ инро ҳамчун механизме пешниҳод мекунад, ки таъсири доимии номувофиқати муайяни хусусият-нишона дар намунаҳои заҳролудшуда ба ҳудудҳои қарорро дар як самт маҳдуд месозад.
Овоздиҳии аксарият чӣ гуна ҳисоб карда мешавад?
Манбаъ қарори ниҳоии синфии Random Forest-ро бо муодилаи зерин медиҳад:
\[ \hat{y} = \operatorname*{arg\,max}_{c} \sum_{t=1}^{T} \mathbb{I}\bigl(h_t(x)=c\bigr) \]
Формула чиро ҳисоб мекунад? Он мешуморад, ки ҳар дарахт ба кадом синф овоз додааст ва синферо, ки овози бештар гирифтааст, ҳамчун пешгӯии ниҳоӣ интихоб мекунад.
- \(\hat{y}\): Синфи ниҳоие, ки Random Forest пешгӯӣ мекунад.
- \(c\): Нишонаи синфи номзад.
- \(T\): Шумораи дарахтони қарор дар ансамбл.
- \(h_t(x)\): Синфе, ки дарахти қарори \(t\) барои намунаи \(x\) тавлид мекунад.
- \(\mathbb{I}(\cdot)\): Функсияи нишондиҳанда, ки агар шарт дуруст бошад 1 ва агар нодуруст бошад 0 аст.
- \(\sum\): Шумораи умумии овозҳо барои синфи муайян.
- \(\operatorname*{arg\,max}\): Амале, ки синфи дорои шумораи баландтарини овозҳоро интихоб мекунад.
Муодила воҳид надорад; он дар асоси шумориши овозҳои синф қарор қабул мекунад. Масалан, агар як синф аз ҷониби шумораи бештари дарахтон интихоб шавад, барориши ниҳоии Random Forest ҳамон синф мешавад. Манбаъ шумораи воқеии дарахтони истифодашуда \(T\)-ро гузориш намекунад.
Чаро ихтилофи байни дарахтон ҳамчун сигнали шубҳа истифода мешавад?
Дар системаи манбаъ мавҷуд будани ихтилофи баланди пешгӯӣ байни дарахтони қарор барои як намуна ҳамчун ҳолати шубҳанок арзёбӣ мешавад. Мантиқ ин аст, ки ҳангоми мавҷуд будани муносибати ғайримуқаррарӣ байни хусусиятҳо ва нишонаи таъиншуда, дарахтоне, ки намунаҳои гуногуни bootstrap ва зермаҷмуаҳои хусусиятҳоро истифода мебаранд, метавонанд қарорҳои камтар пайдарҳам диҳанд. Бо вуҷуди ин, мақола барои “ихтилофи баланд” ҳадди рақамӣ гузориш намекунад.
Аҳаммияти хусусият, арзиши берунӣ ва санҷишҳои пайдарҳамӣ
Манбаъ мақсад дорад, ки ба ҷойи истифодаи танҳо барориши Random Forest, бо feature importance analysis, outlier detection ва consistency checks сабтҳои заҳролудшударо ҷудо кунад. Гуфта мешавад, ки сабтҳои ҳамчун шубҳанок нишонагузоришуда метавонанд аз нав вазнгузорӣ ё аз маҷмуаи додаҳо хориҷ карда шаванд ва пас аз он модел дубора омӯзонида шавад.
Аммо PDF ҷузъиёти зеринро намедиҳад: номи алгоритми арзиши берунӣ, навъи feature-importance, таърифи математикии холҳои пайдарҳамӣ, арзишҳои ҳаддӣ, коэффициенти азнаввазнгузорӣ ва шарте, ки сабт дар он хориҷ мешавад. Аз ин рӯ, ба алгоритми муфассалтар аз он чӣ манбаъ тавсиф мекунад табдил додани ин компонентҳо дуруст нест.
Ҳашт ҷузъи функсионалии меъмории манбаъ
| Ҷузъ | Функсияи дар манбаъ додашуда | Ҳадди тафсир |
|---|---|---|
| Data Poisoning Input Layer | Намунаҳои омӯзишии нодуруст тағйирдодашуда ё нодуруст нишонагузоришударо ифода мекунад. | Ҳиссаи заҳролудкунӣ ва матритсаи label-flip гузориш нашудааст. |
| Model Attack / Adversarial Perturbation Layer | Дасткориҳои adversarial-ро ифода мекунад, ки ҳангоми омӯзиш ё inference барои гумроҳ кардани модел равона шудаанд. | Таҷрибаи ҷудогонаи рақамии ҳамла дода нашудааст. |
| Robust Random Forest Core | Шумораи зиёди дарахтони қарорро дар зермаҷмуаҳои тасодуфии додаҳо/хусусиятҳо омӯзиш медиҳад. | Шумораи дарахтон ва гиперпараметрҳо гузориш нашудаанд. |
| Individual Decision Trees | Аз бахшҳои гуногуни додаҳо қоидаҳои мустақили қарорро меомӯзад. | Иҷрои ҳар як дарахт алоҳида гузориш нашудааст. |
| Ensemble Voting | Овозҳои дарахтонро бо қарори аксарият муттаҳид мекунад. | Ҳадди эътимоди овоз ё қоидаи tie-break шарҳ дода нашудааст. |
| Secure Prediction Output | Дар асоси Ensemble consensus пешгӯии ниҳоӣ тавлид мекунад. | Истилоҳи “Secure” кафолати амнияти саҳроиро маъно намедиҳад. |
| Anomaly Detection and Alert | Намунаҳои ғайримуқаррарии пешгӯиро, ки бо label-flipping ё рафтори adversarial алоқаманданд, нишонагузорӣ мекунад. | Ҳадди ҳушдор ва метрикаи алоҳидаи detection гузориш нашудааст. |
| Reliable System Output | Ҳадаф дорад пешгӯӣ ва нишондиҳандаи аномалияро якҷоя пешниҳод кунад. | Озмоиши дарозмуддати production reliability вуҷуд надорад. |
Барориши “вақти воқеӣ”-и NetIDS чӣ гуна тафсир шавад?
Мақола тавзеҳ медиҳад, ки дар Шакли 5 экрани Network Intrusion Detection System (NetIDS) ҳолати ҷории шабакаро “Attack” ва навъи ҳамларо “DDoS_HTTP” нишонагузорӣ кардааст. Ин намунаи барориши прототипи коркунанда аст. Аммо манбаъ ченакҳои иҷрои вақти воқеӣ, аз қабили throughput, иқтидори пакет/сония, end-to-end latency, истифодаи CPU/RAM ё тақсимоти таъхирро гузориш намекунад. Аз ин рӯ, “намоиши вақти воқеӣ” ва “иҷрои вақти воқеии тасдиқшуда дар шабакаи production-и ҳаҷман калон” як чиз нестанд.
Оё Дар Ин Таҳқиқот “Model Attacks” Ҳамчун Таҷрибаи Алоҳида Озмуда Шудааст?
Гарчанде манбаъ дар меъморӣ барои ҳамлаҳои модел ва adversarial perturbation қабати алоҳида муайян мекунад, арзёбии рақамии нашршуда ба сенарияи заҳролудкунии додаҳои label-flipping тамаркуз мекунад; барои backdoor, evasion ё дигар ҳамлаи модел шиддати мустақили ҳамла, гурӯҳи назоратӣ, ҷадвали метрикаҳо ё натиҷаи ҷудогонаи муқоисавӣ гузориш нашудааст.
Холигии адабиёт чӣ гуна баён мешавад?
Манбаъ иддао мекунад, ки қисми муҳими таҳқиқоти қаблӣ моделҳоро дар шароити додаҳои тоза ва идеалӣ арзёбӣ кардааст ва дар муқоисаи систематикии оилаҳои моделҳо дар муқобили шиддатҳо ва намудҳои гуногуни ҳамла холигӣ вуҷуд дорад. Ҳамчунин дар адабиёти дахлдор anomaly detector poisoning, равиши RONI, clean-label poisoning, generative poisoning ва таҳқиқоти заҳролудкунии додаҳои DNN баррасӣ мешаванд.
Бо вуҷуди ин, тарҳи таҷрибавии худи мақолаи ҷорӣ benchmark-и фарогири бисёрмоделӣ ва бисёрҳамлагӣ нест, ки тамоми холигии васеи дар муқаддима муайяншударо пӯшонад. Модели асосии истифодашуда Random Forest ва ҳамлаи асосии таҷрибавӣ label-flipping мебошад.
Усул ва Натиҷаҳои Таҳқиқот
Тартиби тарҳи таҳқиқот, ки дар манбаъ дида мешавад
- Модел аввал дар додаҳои тоза омӯзонида шудааст.
- Ҳамлаҳои Label-flipping симулятсия карда шуда, нишонаҳои омӯзишӣ қасдан тағйир дода шудаанд.
- Аз трафики шабака хусусиятҳои оморӣ, сохторӣ ва рафторӣ гирифта шудаанд.
- Random Forest барои фарқ кардани намунаҳо дар муносибатҳои clean/poisoned ё нишонаҳои дуруст/нодуруст истифода шудааст.
- Пешгӯиҳои дарахтон бо овоздиҳии аксарият муттаҳид карда шудаанд.
- Бо истифода аз ихтилофи байни дарахтон, аҳаммияти хусусият, outlier detection ва consistency checks намунаҳои шубҳанок нишонагузорӣ шудаанд.
- Аз нав вазнгузорӣ ё хориҷ кардани намунаҳои шубҳанок ва омӯзиши дубораи модел пешбинӣ шудааст.
- Иҷрои ниҳоӣ бо classification report ва %98,47 accuracy гузориш шудааст.
Хулосаи рақамии маҷмуаи додаҳои таҷрибавӣ
| Унсур | Маълумоти дар манбаъ гузоришшуда | Ҳолати возеҳият |
|---|---|---|
| Шумораи умумии сабтҳо | 4.916 | Дар барориши экрании Шакли 3 дида мешавад. |
| Шумораи синфҳо | 4 | Ҳамчун MITM, Normal, DDoS_HTTP, Ransomware дида мешаванд. |
| Сабт дар ҳар синф | 1.229 | Бо Abstract, Results ва Шакли 3 мувофиқ аст. |
| Тавозуни додаҳо | Мутавозин | Ҳар синф арзиши якхелаи support дорад. |
| Шумораи хусусият/сутун | Abstract: 63 хусусият; Шакли 3: 63 сутун | Ба таври возеҳ ҷудо нашудааст, ки сутунҳои нишона дар дохили 63 ҳастанд ё не. |
| Забони барномасозӣ | Python | Манбаъ ба таври возеҳ нишон медиҳад. |
| Модел | Random Forest | Модели асосии мудофиа/тасниф. |
| Ҳамлаи асосӣ | Label-flipping | Маркази арзёбии таҷрибавӣ. |
| Accuracy | %98,47 | Натиҷаи асосии гузоришшудаи манбаъ. |
Classification report чиро нишон медиҳад?
| Синфи рақамӣ | Precision | Recall | F1-score | Support |
|---|---|---|---|---|
| 0 | 1,00 | 1,00 | 1,00 | 1.229 |
| 1 | 0,94 | 1,00 | 0,97 | 1.229 |
| 2 | 1,00 | 1,00 | 1,00 | 1.229 |
| 3 | 1,00 | 0,94 | 0,97 | 1.229 |
| Macro average | 0,99 | 0,98 | 0,98 | 4.916 |
| Weighted average | 0,99 | 0,98 | 0,98 | 4.916 |
Дар ҳоле ки сатри classification report дар Шакли 4 арзиши accuracy-ро бо ду адади даҳӣ ба 0,98 гирд мекунад, дар поёни ҳамон барориши консоль маълумоти “Accuracy: 98.47%” дода шудааст. Verianla натиҷаи асосиро ҳамчун %98,47, ки дар манбаъ возеҳ дода шудааст, нигоҳ медорад.
Мутобиқати синфҳои рақамии 0–3 ба синфҳои MITM, Normal, DDoS_HTTP ва Ransomware дар дохили classification report номбар нашудааст. Шакли 3 танҳо нишон медиҳад, ки дар ҳар яке аз чор номи синф 1.229 сабт вуҷуд дорад. Аз ин рӯ, мутобиқсозие мисли “MITM precision 0,94 аст” ё “Ransomware recall 0,94 аст” тавлиди маълумоти дар манбаъ набуда мебуд.
Precision, recall ва F1-score чиро чен мекунанд?
Формулаҳои зерин муодилаҳои аслии мақола нестанд; онҳо барои омӯзонидани маънои стандартии метрикаҳои иҷрои дар манбаъ гузоришшуда дода шудаанд.
\[ Precision = \frac{TP}{TP+FP} \]
Precision чен мекунад, ки аз намунаҳое, ки модел ҳамчун синфи муайян пешгӯӣ кардааст, чандтояшон воқеан ба ҳамон синф тааллуқ доранд.
\[ Recall = \frac{TP}{TP+FN} \]
Recall чен мекунад, ки аз намунаҳое, ки воқеан ба синфи муайян тааллуқ доранд, чандтояшон аз ҷониби модел ошкор шудаанд.
\[ F1 = 2\frac{Precision\times Recall}{Precision+Recall} \]
F1-score байни precision ва recall миёнаи гармоникӣ ташкил мекунад. Азбаски дар манбаъ ҳар синф арзиши якхелаи support дорад, наздик будани арзишҳои macro average ва weighted average ба ҳам ҳолати интизоршаванда аст; дар ҷадвали гузоришшуда ҳар ду миёна барои precision 0,99 ва барои recall ва F1 0,98 нишон дода шудаанд.
Натиҷаи Дақиқии %98,47 Чӣ Гуна Тафсир Шавад?
Accuracy-и %98,47 нишон медиҳад, ки дар сохтори додаҳо ва татбиқи Random Forest, ки манбаъ гузориш кардааст, қисми зиёди пешгӯиҳои тасниф дуруст будаанд; аммо ин таҳқиқот алоҳида нишон надодааст, ки сатҳи ошкоркунии намунаҳои заҳролудшуда маҳз %98,47 аст, дар ҳамаи шиддатҳои label-flipping ҳамин иҷро нигоҳ дошта мешавад ё дар шабакаи воқеии production ҳамин натиҷа ба даст меояд.
98,47% ба кадом вазифа тааллуқ дорад?
Баяни мақола арзиши %98,47-ро ҳамчун муваффақияти устуворӣ бар зидди ҳамлаҳои label-flipping тафсир мекунад. Бо вуҷуди ин, classification report-и намоён дар Шакли 4 барои чор коди синф иҷро нишон медиҳад ва дар ҳар синф 1.229 support мавҷуд аст. Манбаъ барои синфҳои алоҳидаи дуии detection бо номи “poisoned sample” ва “clean sample” confusion matrix ё poisoned-sample detection rate пешниҳод намекунад.
Аз ин рӯ, %98,47-ро боэҳтиёттарин тарз ҳамчун “accuracy-и таснифи чаҳорсинфа, ки таҳқиқот дар заминаи label-flipping гузориш кардааст” хондан лозим аст. Барои ҳассосияти ошкоркунии худи сабтҳои нишонаашон заҳролудшуда дар манбаъ рақами алоҳида вуҷуд надорад.
Чаро тақсимоти омӯзиш/test камбудии муҳим аст?
Мақола таносуби train/test split, тарҳи cross-validation ё маҷмуаи мустақили hold-out test-ро шарҳ намедиҳад. Дар Шакли 3 маҷмуаи додаҳои тозашуда 4.916 сатр нишон дода мешавад, дар ҳоле ки ҷамъбасти support дар classification report-и Шакли 4 низ 4.916 аст. Ин мушоҳида санҷиши такроршавандаи он ки иҷро дар кадом зермаҷмуаи додаҳо ҳисоб шудааст, душвор месозад.
Аз ин ҳолат худкор хулоса баровардан мумкин нест, ки “модел дар додаҳои омӯзишӣ санҷида шудааст”; азбаски манбаъ коди таҷриба ва қадамҳои тақсимоти додаҳоро бо тафсилоти кофӣ нишон намедиҳад, ифодаи дуруст ин аст, ки тақсимоти мустақили test аз PDF тасдиқ карда намешавад.
Оё гиперпараметрҳо гузориш шудаанд?
Не. Манбаъ шумораи дарахтони қарор дар Random Forest, умқи ҳадди аксар, андозаи ҳадди ақали leaf, танзими max_features, параметрҳои bootstrap, random seed ё танзими class_weight-ро намедиҳад. Ҳамин тавр, навъи ҳисобкунии feature-importance, outlier detector ва параметрҳои азнаввазнгузорӣ низ гузориш нашудаанд.
Оё шиддати ҳамлаи label-flipping гузориш шудааст?
Не. Манбаъ мегӯяд, ки нишонаҳо қасдан тағйир дода шудаанд ва модел пас аз аввал омӯзиш дар clean data ба симулятсияи label-flipping дучор шудааст; аммо чанд фоизи сабтҳои умумӣ тағйир дода шудааст, аз кадом синф ба кадом синф гузаронида шудааст ва ҳамла тасодуфӣ ё ҳадафмандона татбиқ шудааст, возеҳ гузориш нашудааст.
Мутавозин будани чор синф чӣ маъно дорад?
Он ки ҳар синф 1.229 сабт дорад, пешгирӣ мекунад, ки ҳангоми арзёбӣ як синфи калон синфҳои хурдро аз ҷиҳати шумора пахш кунад. Бо вуҷуди ин, маҷмуаи додаҳои мутавозин ҳатман басомади ҳамлаҳоро дар шабакаи воқеии истеҳсолӣ ифода намекунад. Манбаъ озмоиши саҳроиро, ки мувофиқи prevalence-и ҷаҳони воқеӣ аз нав вазнгузорӣ шудааст, пешниҳод намекунад.
Натиҷаҳои Шаклҳои 5 ва 6-и манбаъ
Шакли 5 дар саҳифаи 5 барои “Attack label” ва Шакли 6 барои “Normal label” графикҳои сутунии интихобшудаи IP network signature-ро нишон медиҳанд. Дар ҳар ду график арзишҳои гуногуни сатҳи намуна барои майдонҳои протокол ва шабака визуалӣ карда шудаанд. Азбаски манбаъ дар меҳвари y-и ин графикҳо воҳиди физикӣ ё таърифи нормализатсия намедиҳад, аз баландии сутунҳо ҳадди дақиқи илмӣ ё холи feature importance бароварда нашудааст.
Натиҷаҳои асосие, ки дар манбаъ возеҳ гузориш шудаанд
- Барои чаҳорчӯбаи бар асоси Random Forest accuracy-и асосӣ %98,47 гузориш шудааст.
- Дар ҳар яке аз чор синфи рақамӣ support 1.229 аст.
- Барои синфҳои 0 ва 2 арзишҳои намоёни precision, recall ва F1-score 1,00 мебошанд.
- Барои синфи 1 precision 0,94, recall 1,00, F1-score 0,97 аст.
- Барои синфи 3 precision 1,00, recall 0,94, F1-score 0,97 аст.
- Macro ва weighted average precision 0,99; recall 0,98; F1-score 0,98 нишон дода мешаванд.
- Манбаъ тафсир мекунад, ки сохтори ensemble-и Random Forest метавонад таъсири label-flipping-ро коҳиш диҳад.
- Манбаъ компонентҳои feature-label discrepancy, tree disagreement, outlier detection, consistency check ва feature importance-ро барои нишонагузории намунаҳои заҳрнок якҷоя тавсиф мекунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- Нишон дода нашудааст, ки арзиши %98,47 барои ҳамаи навъҳои data poisoning амал мекунад.
- Барои backdoor ё дигар ҳамлаҳои модел муваффақияти %98,47 нишон дода нашудааст.
- Poisoned-sample detection rate ҳамчун метрикаи алоҳида гузориш нашудааст.
- Дар шабакаи воқеии истеҳсолӣ санҷиши latency, throughput ё иҷрои дарозмуддат анҷом дода нашудааст.
- Нишон дода нашудааст, ки модел дар ҳиссаҳои гуногуни poison чӣ гуна рафтор мекунад.
- Random Forest бо моделҳои дигар дар ҳамон додаҳо ба benchmark-и назоратшаванда гузошта нашудааст.
- Мутобиқати синфи муайяни named class бо кодҳои рақамии class 0–3 возеҳ дода нашудааст.
- Тасдиқ намешавад, ки ҳамаи 63 сутун predictor feature мебошанд.
- Маҷмуаи мустақили hold-out test ё тартиби cross-validation аз PDF тасдиқ карда намешавад.
Маълумоти нопурра гузоришшуда аз нигоҳи такроршавӣ
| Маълумот | Ҳолат | Чаро муҳим аст? |
|---|---|---|
| Манбаи аслии маҷмуаи додаҳо / суроғаи боргирӣ | Гузориш нашудааст | Такрори мустақилро душвор мекунад. |
| Train/validation/test split | Гузориш нашудааст | Тасдиқ кардан мумкин нест, ки иҷрои умумисозӣ чӣ гуна чен шудааст. |
| Cross-validation | Гузориш нашудааст | Вобастагӣ ба як тақсимот арзёбӣ намешавад. |
| Ҳиссаи poisoning | Гузориш нашудааст | Тағйири устуворӣ вобаста ба шиддати ҳамла маълум нест. |
| Қоидаи мутобиқсозии Label-flip | Гузориш нашудааст | Маълум нест, ки кадом синфҳо ба кадом синфҳо табдил дода шудаанд. |
| Шумораи дарахтони Random Forest | Гузориш нашудааст | Иқтидори ансамблро аз нав сохтан мумкин нест. |
| Дигар гиперпараметрҳои Random Forest | Гузориш нашудааст | Рафтори модел ва хатари overfitting арзёбӣ намешавад. |
| Random seed | Гузориш нашудааст | Такроршавии таҷриба кам мешавад. |
| Алгоритм/ҳадди Outlier detection | Гузориш нашудааст | Ошкоркунии сабти шубҳанокро аз нав тавлид кардан мумкин нест. |
| Қоидаи Reweighting/removal | Гузориш нашудааст | Қадами тозакунии додаҳо аз ҷиҳати миқдорӣ номуайян мемонад. |
| Poison detection confusion matrix | Гузориш нашудааст | Муваффақияти “ошкор кардани сабти заҳрнок” алоҳида чен карда намешавад. |
| Таҷҳизот ва вақти кор | Гузориш нашудааст | Иҷрои вақти воқеӣ арзёбӣ намешавад. |
Арзиши илмии таҳқиқот дар чист?
Саҳми возеҳтарини манбаъ ин аст, ки таҳдиди label-flipping-ро дар заминаи таснифи ҳамлаҳои шабакавӣ баррасӣ намуда, сохтори ensemble-и Random Forest, санҷиши feature-label consistency ва тозакунии сабтҳои шубҳанокро дар як ҷараёни мудофиа муттаҳид мекунад. Таҳқиқот инчунин дар чор синфи мутавозин иҷрои баланди таснифро гузориш мекунад.
Аз тарафи дигар, кӯтоҳ будани мақола ва маҳдуд гузориш шудани ҷузъиёти таҷриба дар бораи такрори натиҷа ва умумисозӣ ба шиддатҳои гуногуни poisoning саволҳои кушода мегузорад. Намоён нигоҳ доштани ин маҳдудиятҳо маънои кам кардани натиҷаи таҳқиқотро надорад; ин дуруст ҷудо кардани он аст, ки арзиши %98,47 бо кадом маълумот дастгирӣ мешавад ва кадом маълумоти иловагӣ дар PDF вуҷуд надорад.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: Robust Machine Learning under Data Poisoning and Model Attacks
Муаллифон ва тартиб: Promise Enyindah; Chigoziri Bobby Marcus.
Corresponding author: Promise Enyindah.
Corresponding author e-mail: promise.enyindah@uniport.edu.ng
ORCID: Пайвандҳои дарунсохти ORCID дар PDF мутобиқи тартиби муаллифон барои Promise Enyindah ба 0000-0001-6246-7077 ва барои Chigoziri Bobby Marcus ба 0000-0003-4773-0222 ишора мекунанд.
Муассиса: Department of Computer Science, University of Port Harcourt, Choba, Nigeria.
Саҳми баробар: Дар манбаъ изҳороти саҳми баробар ё ҳаммуаллифи аввал будан муайян нашудааст.
Маҷалла: European Journal of Electrical Engineering and Computer Science (EJECE).
Ношир / платформа: European Open Science.
ISSN: 2736-5751.
Ҷилд / шумора: Volume 10, Issue 1.
Саҳифаҳо: 31–36.
DOI: 10.24018/ejece.2026.10.1.70077.
Сабти расмии нашр: European Open Science EJECE, article ID 70077; сабти DOI бо DOI-и боло мувофиқат мекунад.
Навъи манбаъ: Research Article.
Ҳолати баррасии ҳамтоён: Саҳифаи расмии “About the Journal”-и маҷалла EJECE-ро ҳамчун маҷаллаи байналмилалии peer-reviewed муайян карда, истифодаи double-blind peer review-ро нишон медиҳад.
Submitted: 12 январи 2026.
Published: 10 феврали 2026.
Ёддошти библиографӣ барои моҳи шумора: Дар masthead-и PDF-и мақола “February 2026” навишта шудааст. Сабти индекси RePEc/EconPapers ҳамон Volume 10 Issue 1-ро January 2026 рӯйхат мекунад. Verianla барои санаи возеҳи сатҳи мақола санаи 10 феврали 2026-и дар PDF додашударо асос мегирад ва фарқи issue-month байни ду сабтро пинҳон намекунад.
Иҷозатнома: Сатри ҳуқуқи муаллифии худи PDF-и мақола Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)-ро нишон медиҳад.
Ёддошти мутобиқати иҷозатнома: Ифодаҳои иҷозатнома дар сиёсатҳои кунунии вебии маҷалла ҳам байни худ ва ҳам бо ин PDF пурра мувофиқ нестанд: дар саҳифаи submission copyright CC BY-SA 4.0 ва дар саҳифаи Open Access Policy бошад CC BY-NC 4.0 навишта шудааст. Аз ин рӯ, Verianla барои ин таҳқиқот изҳороти article-level-и иҷозатнома дар PDF-и мақоларо ҳамчун маълумоти provenance сабт мекунад; ба ҷойи нусхабардории тарҳи визуалии шаклҳои манбаъ танҳо аз муносибатҳои илмӣ схемаи мустақил месозад.
Ҳолати preprint: PDF-и баррасишуда мақолаи нашршудаи маҷалла мебошад. Дар манбаъ барои ин таҳқиқот идентификатори ҷудогонаи preprint нишон дода нашудааст.
Ҳамлаи асосии таҷрибавӣ: Label-flipping data poisoning.
Доираи “model attacks” дар унвон: Дар меъморӣ қабати adversarial/model attack муайян карда мешавад; аммо benchmark-и ҷудогонаи model-attack ё натиҷаи мустақили рақамӣ гузориш нашудааст.
Додаҳо: Дар Шакли 3 чор синфи мутавозин; дар ҳар синф 1.229 сабт ва дар маҷмӯъ 4.916 сатр дида мешаванд. Синфҳо ҳамчун MITM, Normal, DDoS_HTTP ва Ransomware рӯйхат шудаанд.
Шумораи хусусиятҳо: Abstract 63 feature нишон медиҳад; Шакли 3 data frame-и тозашударо 63 сутун нишон медиҳад. Азбаски сутунҳои Attack_label ва Attack_type низ намоёнанд, возеҳ нест, ки шумораи predictor-ҳо ба ғайр аз сутунҳои ҳадаф боз 63 аст ё не.
Модел: Random Forest classifier.
Механизми ensemble: Дарахтони қарор дар намунаҳои Bootstrap, random feature selection ва majority voting.
Механизмҳои иловагии мудофиа: Feature importance analysis, outlier detection, consistency checks, tree disagreement monitoring, reweight/remove кардани намунаҳои шубҳанок ва retraining.
Натиҷаи асосӣ: %98,47 accuracy.
Classification report: Дар ҳар яке аз чор синфи рақамӣ support 1.229; class 0: 1,00/1,00/1,00; class 1: 0,94/1,00/0,97; class 2: 1,00/1,00/1,00; class 3: 1,00/0,94/0,97 precision/recall/F1. Мутобиқати возеҳи code-ҳои class ба синфҳои номдор гузориш нашудааст.
Тасдиқи Train/test: Манбаъ train/test split, validation split ё тартиби cross-validation-ро ба таври возеҳ гузориш намекунад.
Гиперпараметрҳо: Гиперпараметрҳои Random Forest, аз ҷумла шумораи дарахтон, гузориш намешаванд.
Параметрҳои Poisoning: Ҳиссаи заҳролудкунӣ, шумораи сабтҳои тағйирдодашуда ва матритсаи мутобиқсозии синфҳои label-flip гузориш намешаванд.
Номуайянии оморӣ: Confidence interval, standard deviation, repeated-run variance, p-арзиш ё дигар таҳлили inferential-и номуайянӣ гузориш намешавад.
Маблағгузорӣ: Дар PDF-и баррасишуда funding statement-и алоҳида муайян нашудааст; набудани маблағгузорӣ фарз карда нашудааст.
Дастрасии додаҳо: Дар PDF-и баррасишуда Data Availability Statement-и алоҳида ё пайванди анбори додаҳо муайян нашудааст.
Саҳми муаллифон: Изҳороти алоҳидаи author contributions / CRediT муайян нашудааст.
Кумитаи ахлоқ: Изҳороти алоҳидаи ethics approval ё informed consent муайян нашудааст; таҳқиқот ҳамчун таҳқиқоти инсон/ҳайвон гузориш нашудааст.
Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки бархӯрди манфиатҳо вуҷуд надорад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд