Чаҳорчӯбаи пешниҳодшудаи Autoencoder-LSTM-RL-Trust меъмории ҳамгирошудаи ошкорсозии хатогиҳо ва барқарорсозии худмухтор бо асоси зеҳни сунъӣ мебошад, ки ҳадаф дорад дар Меъмориҳои Шабакаи Эътимоди Сифрӣ (Zero-Trust Network Architecture, ZTNA) аз телеметрияи шабака аномалияҳоро муайян кунад, эътимоднокии контекстии гиреҳҳоро ба таври динамикӣ ҳисоб намояд ва амалиёти барқарорсозиро тавассути гиреҳҳои боэътимод бо reinforcement learning мутобиқ созад. Чаҳорчӯба таҳлили аномалия дар асоси Autoencoder ва Long Short-Term Memory (LSTM), механизми attention, остонагузории мутобиқшаванда, trust scoring дар асоси рафтор ва fault-history, recovery orchestration дар асоси reinforcement learning (RL) ва мафҳумҳои телеметрияи ҷараёнӣ тавассути Apache Kafka ва Apache Flink-ро муттаҳид мекунад.
Дар таҳқиқоти манбаъ система бо маълумоти benchmark-и CICIDS/CIC-IDS-2017 ва NSL-KDD, синфҳои ҳамлаи DDoS, Unauthorized Access ва Data Exfiltration ва симулятсияҳои шабакавӣ дар миқёсҳои гуногун арзёбӣ шудааст. Натиҷаи умумии сатҳи система дар мақола ҳамчун %97 anomaly-detection accuracy, %96 autonomous-recovery success ва %93 downtime reduction дода мешавад. Барои DDoS F1-score 0,965 гузориш шудааст; дар бахши натиҷаҳо DDoS Mean Time to Detect (MTTD) 1,6 s ва Mean Time to Repair (MTTR) 1,8 s нишон дода шудааст.
Ин арзишҳо нишондиҳандаи дарозмуддати саҳроӣ дар шабакаи воқеии корпоративии Zero-Trust нестанд. Муаллифон ба таври возеҳ мегӯянд, ки санҷиши мавҷуда benchmark ва simulation-based аст, ҷузъи federated learning ҳанӯз дар deployment-и паҳншудаи миқёси калон ба таври таҷрибавӣ озмуда нашудааст ва дар оянда дар муҳитҳои live software-defined Zero-Trust telemetry санҷиш лозим аст.
Ҷадвалҳои гуногуни манбаъ барои як мафҳум ҳамеша як арзиши рақамиро истифода намекунанд. Масалан, ҷадвали муқоисавии CICIDS барои proposed Autoencoder-LSTM accuracy 0,961 медиҳад, дар ҳоле ки матни Discussion 5.1 0,950 менависад. Дар ҷадвалҳои гуногуни таҷрибаҳои recovery, 2,3 s recovery latency, 1,8 s MTTR ва 90 ms recovery time алоҳида гузориш шудаанд. Аз ин рӯ Verianla ин арзишҳоро ҳамчун як рақами ягона муттаҳид намекунад.
Меъмории Шабакаи Эътимоди Сифрӣ Дар Ин Таҳқиқот Чӣ Маъно Дорад?
Меъмории Шабакаи Эътимоди Сифрӣ (Zero-Trust Network Architecture, ZTNA) равиши амниятӣ мебошад, ки ба ҷойи додани эътимоди доимӣ ва пинҳонӣ ба корбар, дастгоҳ ё мавқеи шабакавӣ, дастрасиро тавассути санҷиши пайваста, контекст, аутентификатсия ва назорати муфассали сиёсат арзёбӣ мекунад; ин таҳқиқот ҳадаф дорад ба ZTNA ошкорсозии аномалия, trust scoring-и динамикӣ ва функсияҳои recovery-и худмухторро дар як ҳалқаи пӯшида илова кунад.
Масъалаи таҳқиқот
Нуқтаи оғози таҳқиқоти манбаъ ин аст, ки аксари системаҳои анъанавии амнияти шабака ба остонаҳои статикӣ, фарзияҳои пешакӣ муайяншудаи trust ё тартиботи recovery, ки дахолати инсонро талаб мекунанд, такя мекунанд. Азбаски дар муҳитҳои динамикии Zero-Trust рафтори гиреҳҳо, топологияи шабака ва шаклҳои ҳамла метавонанд бо мурури вақт тағйир ёбанд, қоидаҳои собит ҳам false positive тавлид карда метавонанд ва ҳам ба моделҳои нави ҳамла дер вокуниш нишон диҳанд.
Таҳқиқгарон ҳадаф доранд се функсияро дар як даври қабули қарор муттаҳид кунанд:
- Муайян кардани дуршавиҳо аз рафтори муқаррарӣ бо омӯзиши амиқ.
- Пайваста нав кардани эътимоднокии ҳар гиреҳ тибқи рафтор ва таърихи fault.
- Ҳангоми муайян шудани fault ё attack ба таври худкор бозсозӣ кардани сохтори нақш, трафик, сиёсат ва хизматрасонии шабака тавассути гиреҳҳои боэътимод.
Саҳмҳои асосии таҳқиқот
Манбаъ панҷ саҳми асосиро муайян мекунад. Якум, равиши dual-model anomaly detection мебошад, ки дар он Autoencoder ва LSTM якҷо истифода мешаванд. Дуюм, context-aware trust scoring мебошад, ки контексти аномалияи бар асоси Mahalanobis ва ченакҳои рафторӣ ба монанди node responsiveness, authentication frequency ва fault history-ро истифода мебарад. Сеюм, autonomous recovery orchestration дар асоси RL мебошад. Чорум, ворид кардани federated learning ба меъморӣ барои privacy-preserving adaptation-и паҳншуда аст. Панҷум, арзёбиҳои benchmark ва симулятсионӣ мебошанд.
Аммо вазъи таҷрибавии модули federated learning аз дигар ҷузъҳо фарқ мекунад. Манбаъ ба таври возеҳ мегӯяд, ки preliminary experiments-и асосӣ ба сохтори марказонидашудаи hybrid Autoencoder-LSTM-RL равона шудаанд; ҷузъи federated-learning дар таҳқиқоти ҷорӣ бештар ҳамчун reference architecture ҷой гирифтааст, на ҳамчун таҷрибаи паҳншудаи миқёси калон.
Ошкорсозии Аномалия Бо Autoencoder-LSTM Чӣ Гуна Кор Мекунад?
Занҷири пешниҳодшудаи ошкорсозии аномалия телеметрияи баландандозаро аввал бо марказонидан, кам кардани андоза ва нормализатсия коркард мекунад; дар ҳоле ки Autoencoder бозсозии рафтори муқаррариро меомӯзад, LSTM вобастагиҳои замониро модел мекунад, хатои бозсозӣ ва холҳои контекстӣ бо остона муқоиса мешаванд, намунаҳои аномалӣ ба fault vector табдил ёфта, ба модулҳои trust ва recovery интиқол дода мешаванд.
Гирифтани маълумот ва муҳандисии хусусиятҳо
Манбаъ Apache Kafka ва Apache Flink-ро барои ҷараёни телеметрияи вақти воқеӣ ҳамчун ҷузъҳои data-ingestion-и меъморӣ тавсиф мекунад. Ба вурудҳои имконпазир event log-ҳо, рӯйдодҳои failed-login, даъватҳои API, user interaction pattern-ҳо ва телеметрияи шабака дохил мешаванд.
Feature engineering тавре тарҳрезӣ шудааст, ки се сатҳи temporal granularity-ро истифода кунад: short-term, mid-term ва long-term. Ҳадаф он аст, ки LSTM на танҳо дуршавиҳои дар як лаҳза пайдошударо, балки намунаҳои рафторие, ки бо мурури вақт ташаккул меёбанд, низ омӯзад.
Feature vector инчунин метавонад бо маълумоти берунии threat-intelligence ғанӣ карда шавад. Намунаҳои дар манбаъ овардашуда blacklisted IP address-ҳо ва маълумоти маълум дар бораи software vulnerability мебошанд. Вазифаи ин контексти берунӣ додани контексти иловагӣ ба модел дар ҳолатҳое аст, ки як рафтори хоми шабакавӣ аз нигоҳи амният метавонад маъноҳои гуногун дошта бошад.
Вазифаи Autoencoder
Autoencoder намояндагии фишурдатарини рафтори муқаррарии шабакаро меомӯзад ва кӯшиш мекунад feature vector-и воридшударо аз нав созад. Азбаски намунаҳои муқаррарӣ ба тақсимоти омӯзиш наздиканд, интизор меравад reconstruction error нисбатан паст бошад. Рӯйдоди шабакавие, ки аз намунаи муқаррарӣ дур шудааст, метавонад аз ҷониби модел бадтар бозсозӣ шавад ва reconstruction error афзоиш ёбад.
Вазифаи LSTM
Шабакаи Long Short-Term Memory барои моделсозии вобастагиҳои замонӣ дар телеметрияи пайдарпай истифода мешавад. Аномалия метавонад танҳо аз як арзиши баланд ё паст иборат набошад; масалан, пайдарпайии рӯйдодҳо, ба монанди пас аз афзоиши latency коҳиш ёфтани муваффақияти authentication, метавонанд дар якҷоягӣ маъно пайдо кунанд.
Attention-enhanced LSTM
Манбаъ истифодаи қабатҳои attention-ро пас аз баромадҳои LSTM пешниҳод мекунад. Нақши пешбинишудаи механизми attention дар ин ҷо додани вазни бештар ба қадамҳои вақтест, ки барои шарҳи рафтори anomaly муҳимтар буда метавонанд.
Ensemble autoencoder
Гуфта мешавад, ки ба ҷойи як Autoencoder-и калон метавон якчанд shallow autoencoder-ро дар feature subset-ҳои гуногун истифода бурд. Ҳадаф коҳиш додани хатари мутобиқшавии аз ҳад зиёд ба гурӯҳҳои noisy ё redundant feature ва баланд кардани қобилияти generalization мебошад.
Dynamic thresholding
Ба ҷойи anomaly threshold-и собит истифодаи quantile-based ё statistically adaptive threshold пешниҳод мешавад. Бо ин роҳ, вақте рафтори муқаррарии шабака бо мурури вақт тағйир меёбад, мутобиқ шудани threshold ба concept drift ҳадаф қарор мегирад.
Маҳдудияти манбаъ вобаста ба Mahalanobis distance
Манбаъ дар Section 3.2 мегӯяд, ки anomaly score бо истифода аз Mahalanobis distance ҳисоб мешавад ва вуруд нисбат ба сохтори миёна/covariance-и тақсимоти омӯзиш арзёбӣ мегардад. Аммо дар тасвири саҳифаи нашршудаи PDF пас аз ҷумлаи “Mathematically, the anomaly score is computed using Mahalanobis distance:” муодила намоён нест. Verianla ин формулаи гумшударо бо муодилаи стандартии Mahalanobis худсарона пур намекунад.
Муодила 1–8: Марказонидан, covariance ва кам кардани андоза
\[ \mu_i=\frac{1}{N}\sum_{j=1}^{N}x_{j,i}, \qquad i\in\{1,\ldots,d\} \tag{1} \]
Муодилаи 1 миёнаи намунавиро барои ҳар feature ҳисоб мекунад. \(N\) шумораи намунаҳо, \(d\) шумораи feature-ҳо ва \(x_{j,i}\) дар намунаи \(j\). арзиши feature-и \(i\). мебошад.
\[ \bar{x}_{j,i}=x_{j,i}-\mu_i, \qquad X=[\bar{x}_{j,i}] \tag{2} \]
Муодилаи 2 амали mean-centering мебошад. Ҳар feature бо дурии худ аз миёнаи худаш ифода мешавад.
\[ S=\frac{1}{N-1}\sum_{j=1}^{N} \left(\bar{x}_{j}\bar{x}_{j}^{T}\right) \tag{3} \]
Муодилаи 3 аз намунаҳои марказонидашуда covariance matrix месозад. Covariance matrix нишон медиҳад, ки feature-ҳо якҷоя чӣ гуна тағйир меёбанд.
\[ X=U\Sigma V^{T}, \qquad V_k=V[:,1:k] \tag{4} \]
Манбаъ ин қадамро зери сарлавҳаи PCA медиҳад ва ифодаи SVD-ро дар шакли matrix decomposition истифода мебарад. \(V_k\) аввалин \(k\) principal direction-ро ифода мекунад.
\[ Fr_j=\sum_{i=1}^{k}x_{j,i}v_i \tag{5} \]
\[ Fr=[Fr_1,\ldots,Fr_N] \tag{6} \]
Муодилаҳои 5–6 ҳар намунаро ба principal direction-ҳои интихобшуда проексия мекунанд ва reduced feature matrix месозанд.
\[ z_{j,i}= \frac{x_{j,i}-\mu_i} {\sqrt{\frac{1}{N}\sum_{k=1}^{N}(x_{k,i}-\mu_i)^2}} \tag{7} \]
\[ Z=[z_{j,i}], \qquad i\in\{1,\ldots,k\} \tag{8} \]
Муодилаҳои 7–8 арзишҳои principal component-ро scale карда, матритсаи normalization-и \(Z\)-ро месозанд. Дар манбаъ воҳиди физикӣ нишон дода нашудааст; арзишҳои баъд аз нормализатсия feature-ҳои миқёсшуда мебошанд.
Муодила 9–17: LSTM, reconstruction error ва anomaly score
\[ h_t=LSTM(x_t,h_{t-1}), \qquad x_t\in Z \tag{9} \]
\[ c_t=\sigma_f\odot c_{t-1}+\sigma_i\odot\tilde{c}_t \tag{10} \]
Муодилаҳои 9–10 интиқоли силсилаи вақтро дар дохили LSTM hidden state ва cell-state ифода мекунанд. \(\odot\) зарби унсурӣ мебошад.
\[ \hat{x}_t=Decoder(h_t) \tag{11} \]
\[ E_t=\sum_{i=1}^{d}(x_{t,i}-\hat{x}_{t,i})^2 \tag{12} \]
\[ E_{total}=\sum_{t=1}^{T}E_t \tag{13} \]
Муодилаҳои 11–13 тавлиди reconstructed input аз ҷониби Autoencoder decoder ва ҳисоб шудани фарқи он аз вуруди воқеӣ ҳамчун squared reconstruction error-ро тавсиф мекунанд.
\[ \mu_E=\frac{1}{T}\sum_{t=1}^{T}E_t \tag{14} \]
\[ \sigma_E= \sqrt{\frac{1}{T}\sum_{t=1}^{T}(E_t-\mu_E)^2} \tag{15} \]
\[ A_t=\frac{E_t-\mu_E}{\sigma_E} \tag{16} \]
Муодилаҳои 14–16 reconstruction error-ро нисбат ба миёна ва standard deviation-и худ нормализатсия мекунанд. \(A_t\) standardize anomaly score дар вақти \(t\) мебошад.
\[ A_{i,t}= \sum_{j=1}^{w} \left( \frac{e_{i,t-j}}{\sigma_i} \right)^2 \alpha_j \tag{17} \]
Муодилаи 17 ифодаи smoothed anomaly score мебошад, ки аъзои error-ро дар равзанаи гузаштаи \(w\) бо вазн муттаҳид мекунад. \(\alpha_j\) дар манбаъ ҳамчун коэффисиенти вазн истифода мешавад.
Муодила 18–23: Feature correlation, ranking ва таснифи Softmax
\[ Cov(f_i,f_j)= \frac{1}{N}\sum_{t=1}^{N} (f_{t,i}-\mu_i)(f_{t,j}-\mu_j) \tag{18} \]
\[ C_{i,j}= \frac{\sum_{t=1}^{N}(f_{t,i}-\mu_i)(f_{t,j}-\mu_j)} {\sqrt{\sum_{t=1}^{N}(f_{t,i}-\mu_i)^2} \sqrt{\sum_{t=1}^{N}(f_{t,j}-\mu_j)^2}} \tag{19} \]
Муодилаи 18 covariance ва Муодилаи 19 сохтори correlation-ро ҳисоб мекунанд.
\[ S_i=\sum_{j=1}^{d}|C_{i,j}| \tag{20} \]
\[ Rank(f_i)=sort(S_i) \tag{21} \]
Feature contribution аз рӯйи ҷамъбасти absolute correlation бо feature-ҳои дигар дараҷабандӣ мешавад.
\[ z_c=\sum_{i=1}^{k}w_{c,i}x_i+b_c \tag{22} \]
\[ P(y=c\mid x)= \frac{e^{z_c}} {\sum_{j=1}^{C}e^{z_j}} \tag{23} \]
Муодилаи 22 logit-и синф ва Муодилаи 23 эҳтимоли Softmax-ро ҳисоб мекунад. Баромади Softmax эҳтимолҳои синфиро тавлид мекунад, ки ҷамъашон 1 аст.
Муодила 24–28: Loss, backpropagation ва Adam
\[ L= \sum_{t=1}^{T}\sum_{i=1}^{d} (x_{t,i}-\hat{x}_{t,i})^2 \tag{24} \]
\[ \frac{\partial L}{\partial w} = \sum_{t=1}^{T} \frac{\partial L}{\partial h_t} \frac{\partial h_t}{\partial w} \tag{25} \]
\[ \Delta w= -\eta \sum_{t=1}^{T}\nabla_w L \tag{26} \]
Муодилаи 24 reconstruction loss ва Муодилаҳои 25–26 занҷири weight update дар асоси gradient-ро нишон медиҳанд. \(\eta\) learning rate мебошад.
\[ m_t=\beta_1m_{t-1}+(1-\beta_1)\nabla_t \tag{27} \]
\[ v_t=\beta_2v_{t-1}+(1-\beta_2)\nabla_t^2 \tag{28} \]
Муодилаҳои 27–28 арзёбиҳои моменти якум ва дуюми Adam optimizer-ро ифода мекунанд. Манбаъ ин муодилаҳоро медиҳад, аммо арзишҳои рақамии \(\beta_1\), \(\beta_2\) ва learning-rate-и истифодашударо дар PDF бо ҷадвали равшани гиперпараметрҳо пешниҳод намекунад.
Муодила 29–35: Logging, fault vector ва recovery trigger
\[ Log(t)=\sum_{i=1}^{k}x_{t,i}\delta_i \tag{29} \]
\[ \delta_i=\mathbf{1}\{A_t>\theta_A\} \tag{30} \]
\[ F_t=\{x_t\mid A_t>\theta_A\} \tag{31} \]
\[ ID= \sum_{i=1}^{k} hash(x_{t,i},t+i) \tag{32} \]
\[ S_t= \frac{A_t} {\sum_{i=1}^{T}A_i} \tag{33} \]
\[ R_t=\mathbf{1}\{S_t>\tau\}, \qquad Log(t)=\{x_t,A_t,S_t,R_t\} \tag{34} \]
\[ U_t=\sum_{j=1}^{M}\omega_j\psi_j(t) \tag{35} \]
Муодилаҳои 29–35 занҷири манбаъ барои log кардани anomaly, ворид кардани feature vector-ҳое, ки аз threshold мегузаранд, ба fault vector, ҳисоб кардани severity score ва тавлиди recovery trigger мебошанд. \(\theta_A\) anomaly threshold, \(\tau\) recovery decision threshold ва \(\omega_j\) коэффисиентҳои вазн мебошанд.
Холи Эътимоди Контекстӣ Чӣ Гуна Ҳисоб Мешавад?
Модули context-aware trust scoring fault vector-и аз anomaly detector омадаро бо response reliability, authentication success, fault history ва inactivity-и ҳар гиреҳ муттаҳид карда, арзиши trust-ро пайваста нав мекунад; арзишҳо нормализатсия мешаванд, дуршавӣ аз миёнаи глобалӣ ҳисоб мешавад ва гиреҳҳо ҳамчун trusted, suspicious ё untrusted тасниф мешаванд.
Муодилаи trust-update, ки дар манбаъ намоён нест
Section 3.3 мегӯяд, ки trust score бо муодилаи time-decaying, ки tunable weight-ҳоро барои previous trust, response reliability ва fault history дар бар мегирад, нав карда мешавад. Аммо дар тасвири PDF-и нашршуда баъд аз ҷумлаи “the score is updated as:” ин муодила намоён нест. Аз ин рӯ Verianla муодилаи гумшударо бо формулаи умумии trust-score пур намекунад.
Муодила 36–45: Fault vector ва сигналҳои рафторӣ
\[ F_t=\{x_t\mid A_t>\theta_A\} \tag{36} \]
\[ N_f= \sum_{i=1}^{N} \mathbf{1}\{A_i(t)>\theta_A\}\,n_i \tag{37} \]
\[ T_i(0)= \frac{1}{K} \sum_{k=1}^{K}T^{init}_{i,k} \tag{38} \]
\[ R_i(0)= \sum_{j=1}^{M}\rho^{(0)}_{i,j} \tag{39} \]
\[ F_i(0)= \sum_{j=1}^{M}\phi^{(0)}_{i,j} \tag{40} \]
\[ \Delta S_i(t)= \sum_{j=1}^{T} \left( \gamma_1R_i(j)+ \gamma_2A_i(j)- \gamma_3F_i(j) \right) \tag{41} \]
Дар Муодилаи 41 саҳмҳои response ва authentication дар самти trust мусбат, таърихи fault бошад бо вазни манфӣ ба холи рафторӣ дохил мешавад. \(\gamma_1,\gamma_2,\gamma_3\) tunable weight мебошанд.
\[ R_i(t+1)= \sum_{j=1}^{t}\delta_{r_i,j} + R_i(0) \tag{42} \]
\[ A_i(t+1)= \sum_{j=1}^{t}\delta_{a_i,j} + A_i(0) \tag{43} \]
\[ F_i(t+1)= \sum_{j=1}^{t}\delta_{f_i,j} + F_i(0) \tag{44} \]
\[ \Delta S_i(t+1)= \sum_{j=1}^{t+1} \left( \gamma_1R_i(j)+ \gamma_2A_i(j)- \gamma_3F_i(j) \right) \tag{45} \]
Ин муодилаҳо рӯйдодҳои response, authentication ва fault-ро дар тӯли вақт ҷамъ карда, rolling behavior score месозанд.
Муодила 46–57: Навсозии trust, decay ва node classification
\[ T_i(t+1)= \frac{1}{t+1} \sum_{j=0}^{t} \left( \alpha T_i(j)+ \beta\Delta S_i(j) \right) \tag{46} \]
\[ T_i^{cumulative} = \sum_{j=1}^{t+1}T_i(j) \tag{47} \]
\[ D_i(t)= \sum_{j=1}^{t} T_i(j)e^{-\lambda j} \tag{48} \]
Муодилаи 48 маълумоти inactive ё кӯҳнаи trust-ро бо exponential decay коҳиш медиҳад. \(\lambda\) decay factor мебошад.
\[ T_i^{norm}= \frac{T_i(t)} {\sum_{j=1}^{m}T_j(t)} \tag{49} \]
\[ \bar{T}(t)= \frac{1}{m} \sum_{j=1}^{m}T_j(t) \tag{50} \]
\[ \Delta T_i= |T_i(t)-\bar{T}(t)| \tag{51} \]
Муодилаҳои 49–51 арзиши node trust-и ҳар гиреҳро нисбат ба тамоми шабака нормализатсия карда, дуршавиро аз global trust average ҳисоб мекунанд.
\[ Trusted_i= \sum_{j=1}^{m} \mathbf{1}\{T_j^{nr}>\tau\}\delta_{ij} \tag{52} \]
\[ Untrusted_i= \sum_{j=1}^{m} \mathbf{1}\{T_j^{nr}<\tau\}\delta_{ij} \tag{53} \]
\[ Suspicious_i= \sum_{j=1}^{m} \mathbf{1}\{\Delta T_j>\epsilon\}\delta_{ij} \tag{54} \]
Манбаъ дар Муодилаи 49 \(T^{norm}\), аммо дар муодилаҳои тасниф \(T^{nr}\)-ро ҳамчун notation истифода мебарад. Verianla ин ду ифодаро дар манбаъ ба таври қатъӣ ба як рамз табдил намедиҳад; ҳарчанд контекст нишон медиҳад, ки ҳар ду арзиши нормализатсияшудаи trust-ро ифода мекунанд, notation-и манбаъ комилан муттасил нест.
\[ T_{goa}(t)= \sum_{i=1}^{m} T_i(t)\delta_i^{(active)} \tag{55} \]
\[ S_{flagged}= \sum_{i=1}^{m} \mathbf{1}\{T_i^{nr}<\tau\}n_i \tag{56} \]
\[ TrustedList_t= \sum_{i=1}^{m} \mathbf{1}\{T_i^{nr}>\tau\}n_i \tag{57} \]
Ин қадами охирин ҳадаф дорад танҳо гиреҳҳои тасдиқшудаеро, ки аз threshold гузаштаанд, ба модули recovery интиқол диҳад.
Барқарорсозии Худмухтор ва Reinforcement Learning Дар Ин Меъморӣ Чӣ Кор Мекунанд?
Модули recovery-и худмухтор аз байни гиреҳҳои тасдиқшудаи модули trust онҳоееро интихоб мекунад, ки мутобиқати захира ва вазифаи баланд доранд; амалҳое чун бозмасиркунии трафик, изолятсияи гиреҳ, бозтаъйини нақш, load redistribution, policy update ва service redeployment-ро иҷро мекунад ва агар натиҷа ноком бошад, сиёсати recovery-ро бо feedback-и reinforcement learning аз нав танзим мекунад.
Сохтори state, action ва reward-и RL agent
State fault context ва network topology-и ҷориро дар бар мегирад. Action амалҳои dynamic role assignment ва containment/reconfiguration мебошанд. Reward арзёбии composite мебошад, ки натиҷаҳое чун downtime reduction, trust preservation ва policy compliance-ро муттаҳид мекунад.
Муодила 58–66: Интихоби node-и боэътимод ва compatibility
\[ T^{*}= \left\{ n_i\mid T_i^{*}= \frac{T_i}{\max(T)} > \tau_{trust} \right\} \tag{58} \]
\[ M^{trust}= \sum_{i\in T^{*}} T_i^{*}\omega_i \tag{59} \]
\[ R_i= \sum_{j=1}^{m} \kappa_{ij}\theta_j \tag{60} \]
\[ R_i^{nr}= \frac{R_i}{\max(R)} \tag{61} \]
\[ S_i= R_i^{nr} \left( 1+ \frac{1}{T} \sum_{t=1}^{T}\phi_{i,t} \right) \tag{62} \]
Дар ин занҷир \(R_i\) холи навъи node recovery capability/role fitness ва \(\phi_{i,t}\) recent cooperative ё participative metric-ро ифода мекунад.
\[ \Delta_i= \sqrt{ \sum_{j=1}^{m} (d_j-\kappa_{ij})^2 } \tag{63} \]
\[ \Gamma_i= \frac{S_i}{1+\Delta_i} \tag{64} \]
\[ R_{sre}=sort_{desc}(\Gamma_i) \tag{65} \]
\[ R_{top}= \{n_i\in R_{sre}\mid i=1,\ldots,k\} \tag{66} \]
Муодилаҳои 63–66 фарқи байни node capability ва recovery requirement-ро чен карда, compatibility score месозанд ва \(k\) node-и дорои баландтарин холро барои recovery интихоб мекунанд.
Муодила 67–73: Вазни нақш, topology, load ва recovery effectiveness
\[ Total= \sum_{j=1}^{k} \left(T'_j+R_j\right) \tag{67} \]
\[ \alpha'_i= \alpha_i \left( 1+ \frac{s_1+s_2+\cdots+s_T}{T} \right) \tag{68} \]
Манбаъ \(s_T\)-ро дар контексти system strain/load дар вақти \(t\) муайян мекунад.
\[ P_{ij}= \sum_{l\in Path(i,j)} \left( \frac{b_l}{1+\lambda_l} \right) T_l \tag{69} \]
Муодилаи 69 communication path-ро аз рӯйи муносибати bandwidth, latency ва trust аз нав вазн медиҳад.
\[ L_i= \alpha'_iL_{total} \tag{70} \]
\[ Policy_{new}= Policy_{old}+ \sum_{i=1}^{k}\alpha'_i \tag{71} \]
\[ \psi_t= \sum_{i=1}^{k} \left( \lambda_i^{(t)}- \delta_i^{(t)} \right)\omega_i \tag{72} \]
\[ E_{rec}= \frac{\psi_t} {\psi_t+ \sum_{i=1}^{k}\delta_i^{(t)}} \tag{73} \]
Муодилаҳои 72–73 improvement баъд аз recovery ва таносуби recovery effectiveness-ро тавсиф мекунанд. Азбаски манбаъ метавонад рамзи \(\lambda\)-ро дар бахшҳои гуногун бо маъноҳои гуногун истифода барад, номҳои рамзҳо бояд мувофиқи контекст хонда шаванд.
Муодила 74–77: Q-learning, policy refinement ва устуворсозӣ
\[ Q(s,a)= Q(s,a)+ \alpha \left[ r+ \gamma \max_{a'} Q(s',a') - Q(s,a) \right] \tag{74} \]
Муодилаи 74 мантиқи стандартии temporal-difference Q-learning update-ро ба recovery policy tuning татбиқ мекунад. \(\alpha\) learning rate ва \(\gamma\) discount factor-и reward-и оянда мебошад.
\[ \theta_{t+1}= \theta_t- \eta\nabla_{\theta}L(\theta_t) \tag{75} \]
\[ Stable \Longleftrightarrow \frac{1}{T} \sum_{t=1}^{T} |\delta_t| < \epsilon \tag{76} \]
\[ N_{sal}= \{n_i\mid L_i<\delta_{max} \land E_{rec}>\tau \} \tag{77} \]
Муодилаи 75 strategy parameter update, Муодилаи 76 stability criterion ва Муодилаи 77 final resilient node set-еро ифода мекунанд, ки шартҳои load ва recovery effectiveness-ро иҷро мекунад. Дар рӯйхати notation-и манбаъ барои final set номи дигари “\(N_{resilient}\)” низ ҳаст; Verianla ин фарқи notation-ро хомӯшона ислоҳ намекунад.
Мураккабии назариявии ҳисоббарорӣ
| Ҷузъ | Мураккабии манбаъ | Нақши илмӣ |
|---|---|---|
| PCA / SVD | O(n log n) | Dimensionality reduction барои telemetry-и баландандоза |
| Shallow Autoencoder | O(n · d) | Compact representation ва reconstruction-error anomaly detection |
| Тавсифи Autoencoder training | O(n · d · e) | Арзиши омӯзиш бо n намуна, d feature ва e epoch |
| LSTM | O(T · H²) | Моделсозии temporal dependency |
| Attention | O(T² · d) | Муносибатҳои attention байни қадамҳои вақт |
| GNN | O(E · d²) | Trust propagation / topology-aware арзёбӣ |
| Energy-Based Model | O(n · d²) | Energy-function anomaly scoring |
| Mahalanobis distance | O(d²) | Covariance-aware anomaly deviation |
| Dynamic thresholding | O(n) | Quantile ё statistical adaptive threshold |
| RL / Policy Gradient | O(n · A · T) | Recovery-policy optimization |
| Trust score computation | O(n) | Навсозии арзишҳои trust-и гиреҳҳо |
| Trust-aware graph traversal | O(V + E) | Traversal дар гиреҳҳо ва пайвастҳои шабака |
| Kafka / Flink streaming ingestion | O(m) / record | Телеметрияи ҷараёнӣ зери m concurrent stream |
Ин мураккабиҳо арзёбии назариявии муаллифони манбаъ мебошанд. Runtime-и воқеиро танҳо аз Big-O notation муайян кардан мумкин нест; он ба шароитҳое чун hardware, implementation, batch size, feature dimension, sequence length ва concurrency вобаста аст.
Усул ва Натиҷаҳои Таҳқиқот
Маҷмӯаҳои додаҳо ва доираи арзёбӣ
Таҳқиқот маҷмӯаҳои benchmark-и CICIDS/CIC-IDS-2017 ва NSL-KDD-ро ҳамчун намунаҳои intrusion-detection telemetry истифода мебарад. Муаллифон ба таври возеҳ эътироф мекунанд, ки ин маҷмӯаҳои додаҳо меъмории пурраи production Zero-Trust-ро, аз ҷумла micro-segmentation, continuous authentication ё dynamic policy enforcement, намояндагӣ намекунанд.
Аз ин рӯ натиҷаҳои аз маҷмӯаҳои додаҳо гирифташуда тасдиқи тамоми рафтори амалиётии ZTNA нестанд. Маҷмӯаҳои додаҳо барои моделсозии ҳолатҳои амниятӣ чун abnormal behavior, unauthorized access ва distributed attack истифода шудаанд; ҷузъҳои trust scoring ва recovery бар болои онҳо илова гардидаанд.
Тафсилоти нокифоя аз нигоҳи reproducibility
Манбаъ мегӯяд, ки мақолаи бознигаришуда тафсилоте чун learning rate, optimizer, batch size, шумораи epoch, hidden-layer size ва dynamic threshold-ро дар бар мегирад. Аммо дар PDF-и нашршуда ҷадвали равшани гиперпараметрҳо, ки арзишҳои рақамии онҳоро якҷо диҳад, дида намешавад. Ҳамин тавр, ҳарчанд гуфта мешавад training/validation/test split-ҳо ба таври муфассал шарҳ дода шудаанд, дар матни PDF фоизҳои дақиқи split ба таври возеҳ мавҷуд нестанд.
Аз ин рӯ Verianla learning rate, batch size, epoch ё таносуби split-ро аз худ намесозад.
Confusion matrix-и бисёрсинфа
| Синфи воқеӣ \ Пешгӯӣ | DDoS | Unauthorized Access | Data Exfiltration |
|---|---|---|---|
| DDoS | 34 | 31 | 30 |
| Unauthorized Access | 41 | 30 | 24 |
| Data Exfiltration | 48 | 26 | 21 |
Ин матритса нишон медиҳад, ки attack-type separation душвор аст. Аз рӯйдодҳои DDoS 34-то дуруст тасниф шуда, 61-то ба ду синфи дигар рафтаанд. Барои Unauthorized Access 30 таснифи дуруст; барои Data Exfiltration танҳо 21 таснифи дуруст мавҷуд аст.
Муаллифон махсусан мегӯянд, ки overlap-и рафторӣ байни Data Exfiltration ва DDoS ҳудудҳои синфро номуайян мекунад.
Оё Дақиқии %97-и Ошкорсозии Аномалия Бо Confusion Matrix-и Бисёрсинфа Як Натиҷа Аст?
Не. Манбаъ ба таври возеҳ фарқ мегузорад, ки арзиши умумии %97 system-level detection accuracy аз aggregate anomaly-detection/recovery арзёбии системаи ҳамгирошудае меояд, ки adaptive threshold, contextual trust scoring, temporal attention ва RL-based recovery optimization-ро дар бар мегирад; confusion matrix-и бисёрсинфаи Figure 14 бошад арзёбии маҳдудтар ва марҳилаи барвақт барои attack-type separation мебошад.
Ин фарқ бисёр муҳим аст. Нодида гирифтани хатогиҳои зиёди off-diagonal-и Figure 14 ва гуфтани он ки “модел DDoS, Unauthorized Access ва Data Exfiltration-ро бо дақиқии %97 аз ҳам ҷудо мекунад” ба манбаъ мувофиқат намекунад.
Attack-specific Mean Time to Detect
Матни манбаъ барои системаҳои классикӣ/baseline дар се синфи ҳамла detection time-и 2,3 s, 2,7 s ва 2,9 s; барои усули пешниҳодшуда Unauthorized Access 1,9 s, Data Exfiltration 2,0 s ва DDoS 1,6 s-ро гузориш мекунад.
Дар бахши натиҷаҳо махсусан барои DDoS MTTD = 1,6 s дубора зикр мешавад.
Натиҷаҳои Attack-specific F1
Барои модели пешниҳодшуда манбаъ DDoS F1 = 0,965, Unauthorized Access F1 = 0,945 ва Data Exfiltration F1 = 0,920-ро гузориш мекунад.
Дар муқоисаи DDoS, Deep SVDD 0,872 ва TranAD 0,928 дода шудаанд. Дар муқоисаи Unauthorized Access манбаъ барои USAD/DAGMM тақрибан диапазони 0,892–0,878-ро нишон медиҳад. Барои Data Exfiltration арзиши USAD 0,865 ба таври возеҳ зикр шудааст.
Муқоисаи умумии precision, recall ва F1
| Модел | Precision | Recall | F1 |
|---|---|---|---|
| Rule-Based | 0,842 | 0,810 | 0,825 |
| LSTM-Only | 0,912 | 0,897 | 0,904 |
| Autoencoder-LSTM | Матни манбаъ натиҷаро тақрибан дар атрофи 0,944 гузориш мекунад | Матни манбаъ натиҷаро тақрибан дар атрофи 0,944 гузориш мекунад | Матни манбаъ натиҷаро тақрибан дар атрофи 0,944 гузориш мекунад |
| Proposed Method | 0,962 | 0,955 | 0,958 |
Муқоисаи ROC/AUC
Манбаъ дар шарҳи Figure 13 AUC-и усулҳои classical detection барои DDoS, Unauthorized Access ва Data Exfiltration-ро аз 0,51 паст, яъне наздик ба random discrimination тавсиф мекунад.
Дар матни манбаъ барои моделҳои пешрафтаи anomaly-detection арзишҳои зерини AUC дода шудаанд: Deep SVDD = 0,740; DAGMM = 0,780; USAD = 0,760; TranAD = 0,810.
Accuracy, specificity ва sensitivity
Манбаъ дар шарҳи Figure 22 барои усули пешниҳодшуда Accuracy = 0,960, Specificity = 0,958 ва Sensitivity = 0,959-ро гузориш мекунад.
Accuracy дурустии ҳамаи пешгӯиҳоро; specificity қобилияти дуруст рад кардани намунаҳои normal/non-anomalous-ро; sensitivity бошад ҳиссаи ошкор шудани намунаҳои воқеии anomaly-ро ифода мекунад.
Ablation-и false-positive rate ва recovery latency
| Конфигуратсия | False Positive Rate | Recovery Latency (s) |
|---|---|---|
| Full model | 0,032 | 2,3 |
| No trust module | 0,071 | 2,3 |
| No RL policy | 0,046 | 4,1 |
| No feature fusion | 0,065 | 3,2 |
| Only Autoencoder | 0,058 | 3,5 |
Ҳангоми хориҷ кардани модули trust, false-positive rate аз 0,032 ба 0,071 боло меравад. Ҳангоми хориҷ кардани RL policy, recovery latency аз 2,3 s ба 4,1 s меафзояд. Ин ablation-ҳо нишон медиҳанд, ки ду модул ба вазифаҳои гуногун саҳм мегузоранд: trust scoring махсусан бо назорати огоҳиҳои нодуруст ва RL бо суръати recovery алоқаманд аст.
Component-wise ablation-и васеъшуда
| Конфигуратсия | FPR | Recovery Latency (s) | Precision | Recall |
|---|---|---|---|---|
| Full model | 0,032 | 2,300 | 0,946 | 0,943 |
| No trust module | 0,071 | 2,300 | 0,901 | 0,871 |
| No RL policy | 0,046 | 4,100 | 0,917 | 0,896 |
| No fault vector filtering | 0,059 | 3,800 | 0,910 | 0,882 |
| No behavior scoring | 0,064 | 3,500 | 0,905 | 0,879 |
| Only Autoencoder | 0,057 | 3,700 | 0,912 | 0,890 |
| No feature fusion | 0,065 | 3,200 | 0,906 | 0,884 |
Муқоисаи усулҳо дар CICIDS
| Модел | Accuracy | Precision | Recall | F1 | Training Time (min) | Memory (MB) |
|---|---|---|---|---|---|---|
| Proposed Autoencoder-LSTM | 0,961 | 0,950 | 0,939 | 0,944 | 18 | 420 |
| CNN-GRU | 0,942 | 0,932 | 0,922 | 0,927 | 22 | 460 |
| BiLSTM-Attn | 0,933 | 0,921 | 0,916 | 0,918 | 20 | 440 |
| GCN-LSTM | 0,926 | 0,914 | 0,908 | 0,911 | 25 | 470 |
| SAE-SVM | 0,912 | 0,900 | 0,888 | 0,893 | 15 | 350 |
| Random Forest | 0,892 | 0,878 | 0,865 | 0,871 | 14 | 300 |
| Isolation Forest | 0,861 | 0,851 | 0,840 | 0,845 | 12 | 250 |
| Transformer-IDS | 0,939 | 0,928 | 0,914 | 0,920 | 21 | 455 |
| Hybrid-VAE-GRU | 0,953 | 0,940 | 0,928 | 0,934 | 19 | 430 |
| AE-RL | 0,949 | 0,937 | 0,923 | 0,930 | 17 | 415 |
| Rule-Based | 0,845 | 0,838 | 0,812 | 0,825 | 6 | 160 |
Дар ин ҷадвал proposed Autoencoder-LSTM accuracy 0,961 аст. Баръакс, матни Discussion 5.1 дар ҳамон арзёбии CICIDS accuracy 0,950 ва precision 0,951 менависад. Verianla ҷадвалро хомӯшона мувофиқи матн тағйир намедиҳад; ду гузориши гуногуни дохили манбаъро ҷудо нигоҳ медорад.
Ablation-и меъмории hybrid
| Варианти модел | Accuracy | Precision | Recall | F1 | AUC |
|---|---|---|---|---|---|
| Full model — AE + LSTM + RL + Trust | 0,975 | 0,971 | 0,978 | 0,974 | 0,982 |
| Without trust module | 0,942 | 0,935 | 0,944 | 0,939 | 0,961 |
| Without RL policy | 0,951 | 0,942 | 0,955 | 0,948 | 0,968 |
| Without feature fusion | 0,948 | 0,938 | 0,952 | 0,945 | 0,965 |
| Only Autoencoder | 0,931 | 0,922 | 0,937 | 0,929 | 0,951 |
| AE + RL — No LSTM | 0,945 | 0,938 | 0,951 | 0,944 | 0,962 |
| AE + LSTM — No RL | 0,957 | 0,948 | 0,961 | 0,954 | 0,971 |
| AE + Transformer | 0,960 | 0,953 | 0,964 | 0,958 | 0,975 |
Full model дар ҳамаи метрикаҳои Table 6 арзиши баландтарин медиҳад. Ҳангоми хориҷ кардани модули trust, F1 ба 0,939 ва ҳангоми хориҷ кардани RL ба 0,948 поён меравад.
Дар Discussion 5.3 ибораи “removal of the trust module resulted in a F1 score of 3.6” мавҷуд аст. Азбаски F1-score дар ин таҳқиқот дар диапазони 0–1 гузориш мешавад ва Table 6 арзиши 0,939-ро нишон медиҳад, ин матн бо Table 6 мувофиқат намекунад. Verianla арзиши 3,6-ро ҳамчун натиҷаи илмӣ истифода намекунад.
Муқоисаи performance-и fault-detection
| Усул | Detection Accuracy (%) | False Positive Rate (%) | Detection Latency (ms) | Scalability (%) | Model Complexity (1–10) | Resource Usage (MB) |
|---|---|---|---|---|---|---|
| Deep neural network-based anomaly detection | 95 | 3,5 | 54 | 88 | 7 | 200 |
| RL for policy-based recovery | 93 | 4,2 | 67 | 85 | 8 | 185 |
| Federated learning-based distributed fault analytics | 92 | 3,8 | 60 | 92 | 6 | 165 |
| GNN for topological fault mapping | 94 | 4,0 | 64 | 89 | 8 | 195 |
| LSTM-based log sequence anomaly detection | 94 | 3,6 | 55 | 87 | 7 | 170 |
| Proposed method | 97 | 2,4 | 48 | 95 | 6 | 160 |
Сатри proposed-method дар Table 7 %97 detection accuracy, %2,4 false-positive rate, 48 ms detection latency, %95 scalability score ва 160 MB resource usage-ро гузориш мекунад.
Муқоисаи recovery ва adaptivity
| Усул | Recovery Time (ms) | Success Rate (%) | Self-Adaptivity (%) | Downtime Reduction (%) | Policy Compliance (%) | Learning Efficiency (1–10) |
|---|---|---|---|---|---|---|
| Deep neural network-based anomaly detection | 130 | 91 | 87 | 84 | 90 | 7 |
| RL policy-based recovery | 98 | 94 | 90 | 89 | 93 | 9 |
| Federated learning distributed fault analytics | 105 | 90 | 86 | 86 | 89 | 8 |
| GNN topological fault mapping | 110 | 91 | 88 | 85 | 92 | 8 |
| LSTM log-sequence anomaly detection | 120 | 92 | 89 | 87 | 91 | 8 |
| Proposed method | 90 | 96 | 93 | 93 | 96 | 10 |
Table 8 барои proposed method 90 ms recovery time ва %96 success rate медиҳад. Аммо Figure 20/Conclusion дар муқоисаи дигар 1,8 s MTTR ва 0,99 recovery success гузориш мекунад. Азбаски манбаъ протоколҳои таҷрибавии ин ду ченаки recovery-ро дар як ҷадвали тавзеҳӣ мутобиқ намекунад, Verianla онҳоро ҳамчун як оилаи ягонаи арзишҳо муттаҳид намесозад.
Муқоисаи MTTR
Манбаъ дар шарҳи Figure 20 барои proposed method MTTR = 1,8 s ва recovery success = 0,99; барои Autoencoder-LSTM MTTR = 2,3 s ва success тақрибан 0,97; барои усули Rule-Based MTTR = 5,1 s ва success тақрибан 0,82 гузориш мекунад.
Азбаски ин арзишҳо бо сутуни “Recovery Time (ms)” дар Table 8 зери як номи метрика дода нашудаанд, байни онҳо табдили мустақими воҳид анҷом дода шуда, баробар карда нашудааст.
Симулятсияи memory-consumption
Манбаъ сенарияҳои 1.000-node ва 10.000-node-ро бо борҳои 5 fault ва 20 fault муқоиса мекунад. Memory footprint-и гузоришшуда барои proposed method мутаносибан тақрибан 160 MB, 200 MB, 780 MB ва 910 MB мебошад.
Ба таври возеҳ гуфта мешавад, ки системаи анъанавӣ дар сенарияи хурдтарин 180 MB ва дар сенарияи калонтарини 10.000-node/20-fault 1040 MB истифода кардааст. Пас арзиши 910 MB-и proposed method дар сенарияи калонтарин “910 MB сарфа” нест, балки total memory usage мебошад.
Тақсимоти F1 ва номуайянӣ
Манбаъ мегӯяд, ки дар Figure 17 барои сутунҳои attack-specific F1 error bar-и ±1 standard deviation (\(\pm1\sigma\)) истифода шудааст. Figure 19 бошад тақсимоти F1-score-и моделҳои гуногунро дар шакли boxplot муқоиса карда, барои proposed method median-и баланд ва тақсимоти нисбатан танг гузориш мекунад.
Манбаъ дар ин бахш formal p-value, confidence interval ё named hypothesis test гузориш намекунад. Аз ин рӯ барои ибораи “аз ҷиҳати оморӣ аҳамиятнок” p-арзиши берун аз манбаъ тавлид нашудааст.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- Дар арзёбии benchmark ва симулятсия системаи ҳамгирошудаи пешниҳодшуда %97 system-level anomaly-detection accuracy гузориш кардааст.
- Манбаъ %96 autonomous-recovery success ва %93 downtime reduction гузориш мекунад.
- Барои DDoS proposed method F1-score 0,965 ва MTTD 1,6 s гузориш шудааст.
- Арзишҳои умумии proposed-method precision 0,962, recall 0,955 ва F1 0,958 дар муқоисаи алоҳидаи моделҳо гузориш шудаанд.
- Table 6 барои full hybrid model accuracy 0,975, F1 0,974 ва AUC 0,982 медиҳад.
- Хориҷ кардани Trust module ба false-positive rate ва сифати detection таъсири манфӣ расонидааст.
- Хориҷ кардани RL policy recovery latency-ро афзоиш додааст.
- Дар симулятсияҳои 10.000-node барои proposed method истифодаи хотира дар сатҳи 780–910 MB гузориш шудааст.
- Kafka ва Flink на ҳамчун натиҷаи ченшудаи иддаои real-time deployment, балки ҳамчун ҷузъҳои streaming architecture бо таъхири паст ба меъморӣ ворид шудаанд.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- %97 accuracy муваффақияти саҳроӣ дар шабакаи воқеии enterprise Zero-Trust нест.
- Figure 14 нишон намедиҳад, ки се attack class бо дақиқии %97 аз ҳам ҷудо мешаванд.
- Performance-и модули federated-learning дар edge deployment-и миқёси калон дар ин таҳқиқот тасдиқ нашудааст.
- 90 ms recovery time, 1,8 s MTTR ва 2,3 s recovery latency наметавонанд ҳамчун як метрикаи ягона тафсир шаванд.
- Арзиши 910 MB маънои 910 MB сарфаи хотираро надорад; ин reported proposed-method usage дар сенарияи калони симулятсия мебошад.
- Азбаски дар Source PDF numeric learning rate, batch size, epoch count ва exact data split ratios ба таври возеҳ мавҷуд нестанд, ҳамаи параметрҳои reproducibility дастрас нестанд.
- Муодилаҳои Mahalanobis ё Section 3.3 trust-update, ки дар манбаъ намоён нестанд, аз ҷониби Verianla пур карда нашудаанд.
- Натиҷаҳои benchmark барои topology-ҳои дигари network, трафики воқеии корбарон, шароити гуногуни concept drift ё мутобиқшавии дарозмуддати ҳамла кафолати автоматӣ намедиҳанд.
Фарқиятҳои гузориш дар дохили манбаъ
| Мавзӯъ | Мавқеи манбаъ A | Мавқеи манбаъ B | Равиши Verianla |
|---|---|---|---|
| CICIDS accuracy | Table 5: 0,961 | Discussion 5.1: 0,950 | Ду гузориш ҷудо нигоҳ дошта мешаванд; маҷбуран ба як арзиш муттаҳид намешаванд. |
| Trust-module F1 | Table 6: 0,939 | Discussion 5.3: “3.6” | Арзиши Table 6 интиқол дода мешавад; ибораи 3,6 ҳамчун номувофиқии дохилии манбаъ қайд мешавад. |
| Recovery | Table 3–4: 2,3 s recovery latency | Figure 20/Conclusion: 1,8 s MTTR | Азбаски номи метрикаҳо фарқ мекунад, баробар карда намешаванд. |
| Recovery | Table 8: 90 ms recovery time, %96 success | Figure 20: 1,8 s MTTR, 0,99 success | Ҳамчун контекстҳои гуногуни таҷриба/ченкунӣ нигоҳ дошта мешаванд. |
| Memory | Abstract: “910 MB memory usage optimization” | Figure 21 text: 910 MB proposed usage, 1040 MB traditional usage | 910 MB ҳамчун “сарфа” тафсир намешавад. |
| Trust notation | Муодилаи 49: T norm | Муодилаҳои 52–57: T nr | Notation хомӯшона стандартӣ карда намешавад. |
Самтҳои таҳқиқоти оянда
Манбаъ дар оянда enterprise-scale real-time Zero-Trust deployment, asynchronous federated optimization, decentralized adaptive policy learning, graph-aware trust propagation, lightweight edge-compatible architecture ва санҷиш дар live software-defined Zero-Trust telemetry-ро пешниҳод мекунад.
Ин самтҳои таҳқиқоти оянда натиҷаи бадастомадаи мақолаи ҷорӣ нестанд. Хусусан, гарчанде federated learning дар манбаъ ҳамчун architecture-level integration пешниҳод шудааст, гуфта мешавад, ки таҷрибаҳои паҳншудаи edge дар миқёси калон баъдтар гузаронида мешаванд.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: Artificial Intelligence driven fault detection and autonomous recovery in zero trust network architectures
Муаллифон ва тартиб: Sami Morsi; Rajit Nair; Hasan Alkahtani; Sultan Ahmad; Theyazn H. H. Aldhyani; Hikmat A. M. Abdeljaber.
Corresponding author: Sultan Ahmad.
Corresponding e-mail: s.alisher@psau.edu.sa
Аффилиатсия 1: Applied College, King Faisal University, 31982 Al-Ahsa, Saudi Arabia.
Аффилиатсия 2: VIT Bhopal University, Bhopal, India.
Аффилиатсия 3: College of Computer Science and Information Technology, King Faisal University, P.O. Box 400, 31982 Al-Ahsa, Saudi Arabia.
Аффилиатсия 4: Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, 11942 Alkharj, Saudi Arabia.
Аффилиатсия 5: Department of Computer Science and Engineering, University Center for Research and Development (UCRD), Chandigarh University, Gharuan, Mohali, Punjab 140413, India.
Аффилиатсия 6: Department of Extended-Reality and Games Development, Faculty of Information Technology, Applied Science Private University, 11831 Amman, Jordan.
Мутобиқати муаллиф-аффилиатсия: Sami Morsi — 1; Rajit Nair — 2; Hasan Alkahtani — 3; Sultan Ahmad — 4 ва 5; Theyazn H. H. Aldhyani — 1; Hikmat A. M. Abdeljaber — 6.
Саҳми баробар: Манбаъ изҳороти ҷудогонаи equal-contribution ё equal-first-authorship намедиҳад.
Маҷалла: Discover Artificial Intelligence.
Ношир/platform: Springer Nature / Springer.
Ҷилд: Volume 6.
Рақами мақола: 871.
Соли нашр: 2026.
Навъи мақола: Research.
DOI: 10.1007/s44163-026-01654-w.
Пайванди расмӣ: https://doi.org/10.1007/s44163-026-01654-w
Received: 26 Феврал 2026.
Accepted: 15 Июн 2026.
Published: Тибқи сабти расмии мақолаи Springer, 7 Июл 2026.
Version of record: Дар сабти расмии Springer, 21 Август 2026.
Ёддошти рецензия: Манбаъ мақолаи нашршудаи Springer Research аст ва санаҳои Received/Accepted гузориш шудаанд. PDF-и манбаъ ҷузъиёти модели рецензия, ба монанди single-blind/double-blind, нишон намедиҳад.
Иҷозатнома: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International — CC BY-NC-ND 4.0.
Таъсири визуалии иҷозатнома: Азбаски иҷозатнома мубодилаи adapted material-ро иҷозат намедиҳад, Verianla HTML фигураҳои манбаъро дар шакли тағйирёфта/мутобиқшуда дубора тавлид намекунад. SVG-ҳои дохили мақола танҳо аз далелҳои илмие, ки дар матн ба таври возеҳ тавсиф шудаанд, бо композицияи мустақил сохта шудаанд.
Соҳаи асосӣ: Zero-Trust Network Architecture, anomaly detection, autonomous recovery, deep learning, reinforcement learning ва trust scoring.
Модели асосӣ: Framework-и ҳамгирошуда дар асоси Autoencoder-LSTM-RL-Trust.
Ҷузъҳои Streaming: Apache Kafka ва Apache Flink.
Ҷузъҳои Anomaly: Autoencoder, LSTM, attention, ensemble shallow autoencoders, dynamic thresholding, контексти Mahalanobis-distance ва равиши Energy-Based Model.
Ҷузъҳои Trust: Response reliability, authentication strength/frequency, fault history, decay, normalization, deviation ва trusted/suspicious/untrusted node classification.
Ҷузъҳои Recovery: Trust-ranked node selection, compatibility scoring, traffic rerouting, node isolation, role reassignment, load redistribution, policy update, service redeployment ва reinforcement-learning feedback.
Вазъи Federated learning: Барои privacy-preserving distributed adaptation ба меъмории framework ворид шудааст; манбаъ мегӯяд, ки таҷрибаҳои federated edge deployment дар миқёси калон дар оянда гузаронида мешаванд.
Маҷмӯаҳои асосии додаҳо: CIC-IDS-2017/CICIDS ва NSL-KDD.
Дастрасии додаҳо: Манбаъ мегӯяд, ки dataset-ҳо тавассути public repository дастрасанд ва барои CIC-IDS-2017 ва NSL-KDD пайвандҳои Kaggle медиҳад.
Attack classes: DDoS, Unauthorized Access ва Data Exfiltration.
Натиҷаи умумии system-level: %97 anomaly detection accuracy; %96 autonomous recovery success; %93 downtime reduction.
Натиҷаи DDoS: F1-score 0,965; дар бахши натиҷаҳо MTTD 1,6 s.
MTTR: Дар контексти Figure 20/Conclusion, 1,8 s.
Table 7 proposed result: %97 detection accuracy; %2,4 FPR; 48 ms detection latency; %95 scalability; complexity 6/10; 160 MB resource usage.
Table 8 proposed result: 90 ms recovery time; %96 success; %93 self-adaptivity; %93 downtime reduction; %96 policy compliance; 10/10 learning efficiency.
Memory simulation: Барои proposed method дар сенарияҳои 1.000N-5F, 1.000N-20F, 10.000N-5F ва 10.000N-20F мутаносибан истифодаи 160 MB, 200 MB, 780 MB ва 910 MB гузориш шудааст.
Маҳдудияти Confusion-matrix: Confusion matrix-и бисёрсинфаи attack-type худи %97 system-level detection accuracy-и умумӣ нест.
Маҳдудияти Hyperparameter reproducibility: Гарчанде манбаъ мегӯяд, ки тафсилоти hyperparameter дохил шудаанд, PDF-и нашршуда learning rate, batch size, epoch, hidden-layer size ва split ratios-ро дар шакли ҷадвали пурраи рақамӣ намедиҳад.
Мушкилоти пешниҳоди формула: Дар PDF Section 3.2 дар ҷойе, ки формулаи Mahalanobis anomaly-score интизор аст, ва дар Section 3.3 дар ҷойе, ки формулаи time-decaying trust-update интизор аст, муодила намоён нест. Ин унсурҳои гумшуда аз ҷониби Verianla бо тахмин пур карда нашудаанд.
Фарқи CICIDS дар дохили манбаъ: Table 5 proposed accuracy 0,961; Discussion 5.1 accuracy 0,950.
Фарқи trust-ablation дар дохили манбаъ: Table 6 without-trust F1 = 0,939; Discussion 5.3 “F1 score of 3.6” менависад.
Фарқи метрикаҳои recovery дар дохили манбаъ: Table 3–4 recovery latency 2,3 s; Figure 20/Conclusion MTTR 1,8 s; Table 8 recovery time 90 ms. Манбаъ нишон намедиҳад, ки инҳо як протоколи ченкунӣ мебошанд.
Маблағгузорӣ: Deanship of Scientific Research, Vice Presidency for Graduate Studies and Scientific Research, King Faisal University, Saudi Arabia; Grant No. KFU262842.
Этика: Ethics approval and consent to participate — Not Applicable.
Consent for publication: Not Applicable.
Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки competing interests надоранд.
Саҳми муаллифон: Sultan Ahmad, Sami Morsi, Rajit Nair ва Hasan Alkahtani — баррасии адабиёт ва methodology; Theyazn H. H. Aldhyani, Sultan Ahmad ва Hikmat A. M. Abdeljaber — formal analysis, data collection ва investigation; Hikmat A. M. Abdeljaber, Theyazn H. H. Aldhyani ва Sultan Ahmad — initial drafting ва statistical analysis; Sami Morsi, Rajit Nair ва Hasan Alkahtani — supervision. Манбаъ ҳамчунин мегӯяд, ки ҳамаи муаллифон ба system ва manuscript development саҳм гузошта, final manuscript-ро тасдиқ кардаанд.
Маҳдудияти асосии методологӣ: Evaluation-и мавҷуда benchmark ва simulation-based аст; санҷиши live enterprise-scale Zero-Trust deployment анҷом дода нашудааст.
Таҳқиқоти оянда: Enterprise real-time ZTNA deployment, large-scale federated edge experimentation, federated adaptive optimization, graph-aware trust propagation, lightweight edge architectures ва live software-defined Zero-Trust telemetry validation.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд