Тадқиқоти академӣ, забони фаҳмо

Verianla | Тадқиқоти академӣ ва илм ба забони тоҷикӣ

19 ноябр 2026, панҷшанбе
VERİANLA Нашри мустақили илмӣ
Кушодан ё бастани меню
...
Саҳифаи асосӣ / Илмҳои амалӣ / Илми компютер / Такмили Ошкорсозии Барвақтӣ ва Дақиқӣ дар Системаҳои Ошкорсозии Ҳамла ба Шабака дар Асоси Тасвир
Илми компютер

Такмили Ошкорсозии Барвақтӣ ва Дақиқӣ дар Системаҳои Ошкорсозии Ҳамла ба Шабака дар Асоси Тасвир

Системаи пешниҳодшудаи ошкорсозии ҳамла ба шабака дар асоси тасвир (image-based Network Intrusion Detection System, NIDS) ба ҷойи интизор шудани анҷоми ҷараёни шабака то панҷ бастаи пайдарпайи шабакаро ба намоиши RGB-и 5 × 1486 × 3 табдил медиҳад, ки маълумоти вақт, самт, сарлавҳаи протокол ва payload-ро нигоҳ медорад, ва ин намоишро бо Convolutional Neural Network (CNN), ки ҷузъҳои residual ва channel-attention дорад,

18/11/2026  Veri Anla  117 боздид
Такмили Ошкорсозии Барвақтӣ ва Дақиқӣ дар Системаҳои Ошкорсозии Ҳамла ба Шабака дар Асоси Тасвир

Системаи пешниҳодшудаи ошкорсозии ҳамла ба шабака дар асоси тасвир (image-based Network Intrusion Detection System, NIDS) як системаи бисёрсинфаи ошкорсозии ҳамла дар марҳилаи барвақт аст, ки ба ҷойи интизор шудани анҷоми пурраи ҷараёни шабака то панҷ бастаи пайдарпайи шабакаро ба намоиши RGB-и 5 × 1486 × 3 табдил медиҳад, ки маълумоти вақт, самт, сарлавҳаи протокол ва payload-ро нигоҳ медорад, ва ин намоишро бо Convolutional Neural Network (CNN), ки ҷузъҳои residual ва channel-attention дорад, тасниф мекунад. Таҳқиқот маълумоти CICIDS2017 ва CICIDS2018-ро истифода кардааст; ҷараёнҳои камёби Heartbleed ва Infiltration бо packet-sequence slicing ва синфи SQL Injection бо трафики иловагии ҳамла, ки дар муҳити санҷишии назоратшавандаи Damn Vulnerable Web Application (DVWA) тавлид шудааст, ғанӣ карда шуданд. Дар арзёбии панҷ-бастаӣ бо истифода аз stratified cross-validation-и дуқабата 99.36% classification accuracy гузориш шудааст.

Дар таҷрибаи ошкорсозии барвақт шумораи бастаҳои истифодашуда аз як то шаш зиёд карда шудааст. Бо cross-validation дақиқӣ барои як баста 55.81%, барои ду баста 62.31%, барои се баста 85.65%, барои чор баста 97.52%, барои панҷ баста 99.36% ва барои шаш баста 99.66% гузориш шудааст. Меъмории асосӣ ва даъвои асосии ошкорсозии барвақтии таҳқиқот бар панҷ бастаи пайдарпай асос ёфтааст; натиҷаи шаш баста натиҷаи таҷрибаи алоҳидаи ҳассосияти packet-window мебошад.

Гарчанде модел барои аксари синфҳои CICIDS2017 precision ва recall-и баланд додааст, ҳамаи синфҳо ба як андоза қавӣ нестанд. Масалан, дар CICIDS2017 барои SSH_Patator recall 0.98 аст, аммо precision танҳо 0.30; барои DoS_Slowloris precision 0.79 ва F1 0.88 мебошад. Манбаъ ин ҳолатро бо маҳдудияти равзанаҳои кӯтоҳи мушоҳида дар гирифтани намунаҳои ҳамлаи дарозмуддат ё сустинкишофёбанда ва ҳассосияти намунаҳои синфҳои хурд ба таъсири false-positive мепайвандад.

Дар арзёбии маҷмӯаи додаҳои берунаи BoT-IoT full multiclass accuracy ба 96% баробар буд. Вақте синфи DDoS_HTTP хориҷ ва модел аз нав омӯзонида шуд, accuracy то 99.89% баланд шуд. Ин болоравӣ беҳбудии баробар дар ҳамаи ҳамлаҳои BoT-IoT нест. Манбаъ нишон медиҳад, ки сохторҳои визуалӣ/ҷараёнии DDoS_HTTP ва DoS_HTTP хеле монанданд ва азбаски source/destination IP address-ҳо барои privacy хориҷ карда шудаанд, контексти муҳиме, ки HTTP flood-и паҳншуда ва якманбаъро ҷудо мекунад, аз даст рафтааст.

Таҳқиқот deployment-и дарозмуддати саҳроӣ дар шабакаи истеҳсолии вақти воқеӣ нест. Арзёбӣ дар маълумоти назоратшавандаи benchmark/testbed-и CICIDS2017, CICIDS2018 ва BoT-IoT гузаронида шудааст. Манбаъ ҳамгироии real-time stream-processing, SDN/edge deployment, explainable AI ва adaptive threat learning дар муҳити зиндаро аз корҳои оянда мешуморад.

Ошкорсозии Барвақтии Ҳамлаи Шабака Бо Панҷ Баста Чӣ Гуна Кор Мекунад?

Равиши панҷ-бастаии ошкорсозии барвақт ба ҷойи интизор шудани ҳамаи бастаҳои ҷараёни TCP/UDP ё хулосаи омории flow-и анҷомёфта, самти чанд бастаи аввал дар пайдарпайии вақт, фарқи вақти байни бастаҳо, майдонҳои интихобшудаи протокол ва байтҳои payload-ро ба тасвири сохторӣ табдил дода, бо CNN тасниф мекунад; нуқтаи асосии корӣ дар манбаъ панҷ бастаи пайдарпай аст ва ин сохтор дар таҷрибаи CICIDS бо 99.36% accuracy арзёбӣ шудааст.

Таҳқиқот кадом масъаларо ҳал кардан мехоҳад?

Системаҳои анъанавии flow-based intrusion detection аксар вақт анҷоми ҷараёни шабака ё ҷамъ шудани миқдори кофии бастаҳоро интизор мешаванд. Ин равиш метавонад контексти бештар диҳад; аммо ҳангоми идома доштани ҳамла метавонад қарори ошкорсозиро ба таъхир андозад.

Мушкили муқобили усулҳои як-бастаӣ ин аст, ки онҳо контексти кофӣ надоранд. Мазмуни як баста барои баъзе ҳамлаҳо метавонад фарқкунанда бошад; аммо рафторҳои brute-force, infiltration, web attack ё DoS-и сустинкишофёбанда метавонанд ба муносибати вақт ва самти чанд баста вобаста бошанд.

Ҳадафи таҳқиқот эҷоди тавозун байни ду канор аст: тамоми ҷараёнро интизор нашудан, аммо ба як баста ҳам маҳдуд намондан. Аз ин рӯ манбаъ равзанаи собит ва кӯтоҳи бастаҳои пайдарпайро ба намоиши тасвирӣ табдил медиҳад.

PCAP чист?

Packet Capture (PCAP) формати файлест, ки бастаҳои аз шабака гузарандаро дар шакли хом ё наздик ба маълумоти хом сабт мекунад. Файлҳои PCAP метавонанд packet header, маълумоти transport-layer ва вобаста ба шароити сабт payload-ро дар бар гиранд.

Дар ин таҳқиқот, азбаски сканкунии мустақим ва пайвастаи файлҳои калони PCAP ғайрисамаранок дониста шуд, аввал ба файлҳои хурди flow-specific PCAP ҷудо кардани онҳо ҳадаф қарор гирифтааст.

Ҷараёни шабака чӣ гуна муайян мешавад?

Барои бозсозии ҷараёнҳои TCP/UDP 5-tuple истифода мешавад:

  • Суроғаи IP-и манбаъ.
  • Суроғаи IP-и ҳадаф.
  • Порти манбаъ.
  • Порти ҳадаф.
  • Transport protocol.

Ин маълумот барои муайян кардани он истифода мешавад, ки кадом бастаҳо ба як ҷараёни иртиботӣ тааллуқ доранд. Манбаъ рафтори CICFlowMeter-ро тавассути reverse engineering аз нав сохта, сигналҳои flow-termination ба монанди TCP FIN ва RST flag-ҳоро низ ба ҳисоб мегирад.

Ҷараён метавонад ҳангоми дидани termination flag ба монанди TCP FIN ё RST, ҳангоми аз остонаи 600 ms гузаштани elapsed time байни бастаи аввал ва охир ё ҳангоми иҷро шудани шарти тавозуни forward/backward packet, ки дар манбаъ муайян шудааст, анҷом дода шавад.

Схемаи тавзеҳие, ки аз муносибатҳои усул ва Figure 1-и таҳқиқоти манбаъ барои Verianla мустақилона аз нав сохта шудааст; топологияи шабакаи миқёспазир нест.

Бастаҳои Шабака Чӣ Гуна Ба Тасвири RGB-и 5 × 1486 × 3 Табдил Меёбанд?

Ҳар бастаи интихобшуда ба вектори собити 1486 байт табдил дода мешавад; Byte 0 delta time-и байни бастаҳо, Bytes 1–25 майдонҳои кодшудаи марбут ба сарлавҳаи протокол ва Bytes 26–1485 то 1460 байт transport-layer payload-ро нигоҳ медоранд; то панҷ баста бо тартиби вақт рӯйи ҳам ҷойгир шуда, маълумоти самт бо каналҳои RGB код мешавад ва тензори 5 × 1486 × 3 сохта мешавад.

Вектори бастаи 1486 байтӣ

ҶойМазмунАндозаНақши илмӣ
Byte 0Delta time нисбат ба бастаи қаблӣ1 byteМуносибати вақтии байни бастаҳоро нигоҳ медорад; арзиш барои мутобиқати 8-bit бо 255 маҳдуд мешавад.
Bytes 1–25Сарлавҳаҳои кодшудаи протокол25 byteСохтори контекстии интихобшударо аз сарлавҳаҳои Ethernet/IP/TCP ё UDP нигоҳ медорад.
Bytes 26–1485Transport-layer payloadТо 1460 byteИнтиқоли мазмуни баста ба моделро таъмин мекунад; payload-и дарозтар truncate мешавад.

Оё каналҳои RGB барои ранг истифода мешаванд?

Не. RGB дар ин ҷо ба маънои ранги аксбардорӣ истифода намешавад; се канал каналҳои сохтории дода мебошанд, ки самти бастаи шабака ва ҳолати padding-ро нигоҳ медоранд.

  • Red channel: бастаҳои forward дар самти source → destination-ро ифода мекунад.
  • Green channel: бастаҳои backward дар самти destination → source-ро ифода мекунад.
  • Blue channel: дар implementation-и ҷорӣ сифр нигоҳ дошта шуда, барои padding/future use ҷудо шудааст.

Агар flow камтар аз панҷ баста дошта бошад, сатрҳои нокифоя бо zero vector пур мешаванд. Ҳамин тавр CNN ҳамеша як input shape-ро мебинад.

Схемаи тавзеҳӣ ва бемиқёс, ки аз усули image-generator-и манбаъ барои Verianla омода шудааст.

Кадом майдонҳои header хориҷ мешаванд?

Манбаъ майдонҳои гуногунеро хориҷ мекунад, ки метавонанд байни бастаҳои як flow тағйирёбии нолозим эҷод кунанд ё моделро ба маълумоти мустақими ҳувият аз ҳад вобаста созанд. Ба онҳо баъзе майдонҳои Ethernet header, IP version, differentiated-services, protocol identifier, source/destination IP address-ҳо, source/destination port-ҳо ва IP/TCP optional fields дохил мешаванд.

Яке аз сабабҳои асосии хориҷ кардани IP address-ҳо privacy ва dataset anonymization мебошад. Аммо ин қарор боиси талафи маълумот мегардад. Манбаъ махсусан мегӯяд, ки ҷудо кардани ҳамлаҳо ба монанди SSH_Patator, ки ба service port-ҳои собит такя мекунанд, метавонад душвортар шавад. Дар таҷрибаи BoT-IoT ҳам хориҷ кардани source IP яке аз омилҳои марказии мушкил шудани ҷудокунии DoS_HTTP ва DDoS_HTTP мебошад.

Чаро коркарди параллелии PCAP лозим аст?

Дар як PCAP-и калон такроран ҷустуҷӯ кардани ҳамаи бастаҳои flow-и муайян ҳангоми зиёд будани бастаҳо хароҷоти баланд дорад. Дар таҳқиқот PCAP-и калон аввал ба файлҳои хурди flow-specific PCAP ҷудо карда шуда, онҳо параллел коркард мешаванд.

Манбаъ мураккабии вақтро бо коркарди параллелӣ ба таври консептуалӣ чунин ифода мекунад:

\[ O(n)\rightarrow O(n/k) \]

Дар ин ҷо \(n\) шумораи умумии packet ва \(k\) шумораи parallel thread-ҳоро ифода мекунад. Ин ифода равиши назариявии миқёспазирӣ аст; он кафолат намедиҳад, ки суръатбахшӣ дақиқ \(k\) маротиба мешавад, зеро disk I/O, thread coordination ва storage backend низ хароҷоти дигар доранд.

Чаро Domain-Aware Data Augmentation Истифода Шуд?

Domain-aware augmentation махсусан барои зиёд кардани намоёнӣ дар омӯзиши синфҳои ҳамла бо намунаҳои аслии хеле кам, ба монанди Heartbleed, Infiltration ва SQL Injection, истифода шудааст; Heartbleed ва Infiltration тавассути ба қисмҳои нигоҳдорандаи тартиби вақт ҷудо кардани ҷараёнҳои воқеии дароз зиёд карда шудаанд, дар ҳоле ки барои SQL Injection дар DVWA трафики нави назоратшавандаи ҳамла тавлид шудааст.

Flow slicing чист?

Flow slicing усули сохтани чанд training image тавассути ба қисмҳои хурдтар ҷудо кардани packet sequence-и flow-и воқеии дароз бо нигоҳ доштани тартиби вақт аст. Дар ин ҷо мазмуни нави баста сохта намешавад; қисмҳои гуногуни ҷараёни мавҷудаи воқеӣ ба намунаҳои ҷудогона табдил меёбанд.

Гарчанде дар синфи Heartbleed танҳо 11 flow-и аслӣ вуҷуд дошт, шумораи зиёди packet-ҳо дар ин flow-ҳо барои slicing маълумоти истифодашаванда фароҳам овард. Манбаъ ҳамин равишро дар синфи Infiltration низ истифода кардааст.

SQL Injection augmentation чӣ гуна анҷом дода шудааст?

Дар CICIDS2017 танҳо 21 намунаи SQL Injection вуҷуд дорад. Муҳаққиқон ба ҷойи зиёд кардани ин синф бо табдилҳои оддии тасвир — масалан, гардондани тасвир ё тағйир додани рангҳо — муҳити санҷишии назоратшавандаи киберамниятӣ сохтаанд.

Damn Vulnerable Web Application (DVWA) ҳамчун ҳадаф истифода шудааст; ҳам SQL payload-ҳои curated dictionary асосёфта ва ҳам кӯшишҳои гуногуни SQL Injection бо абзори автоматизатсияи SQLMap иҷро шудаанд. Трафик бо Wireshark сабт шуда, ба ҳамон PCAP→flow→image pipeline интиқол дода шудааст.

СинфНамунаи аслӣНамунаи интихобшуда / тавлидшудаAugmentation
Benign2,359,0875000Не
Bot1966738Не
DDoS64,51264,512Не
DoS GoldenEye11,86411,864Не
DoS Hulk231,072164,735Не
DoS Slowhttptest54992208Не
DoS Slowloris57961728Не
FTP Patator7938150Не
Heartbleed112670Packet-sequence slicing
Infiltration362854Packet-sequence slicing
PortScan158,93012,492Не
SSH Patator58972208Не
Web Attack Brute Force15071365Не
Web Attack SQL Injection21653Тавлиди трафики назоратшавандаи ҳамла
Web Attack XSS679679Не

Монандии трафики синтетикии SQL Injection чӣ гуна санҷида шуд?

МеъёрCICIDSТрафики назоратшавандаи тавлидшуда
Миёнаи packet size463.08 byte420.36 byte
Инҳирофи стандартии packet-size809.33 byte583.87 byte
Median packet size66 byte63 byte
Миёнаи inter-packet delay0.456 s0.044 s
Инҳирофи стандартии IPD1.437 s0.088 s
Median IPD0.00039 s0.00015 s
Санҷиши K–S, packet sizep = 0.0525
Санҷиши K–S, IPDp = 0.8111
Хи-квадрат, TCP flagsp = 0.9203

Манбаъ натиҷаи packet-size K–S-ро ҳамчун “marginal but acceptable similarity” шарҳ додааст. p = 0.0525 каме болотар аз ҳадди conventional 0.05 мебошад. Дар санҷишҳои IPD ва TCP-flag низ p > 0.05 пайдо шудааст.

Маҳдудияти муҳими оморӣ дар ин ҷо чунин аст: p > 0.05 исбот намекунад, ки ду тақсимот комилан яксонанд. Он танҳо нишон медиҳад, ки дар намуна ва санҷиши баррасишуда фарқи аз ҷиҳати оморӣ маънодор ошкор нашудааст. Манбаъ инчунин мегӯяд, ки дар муқоисаи марбут шумораи packet-ҳо танҳо 12 ва 14 будааст.

Меъмории CNN чӣ гуна сохта шудааст?

Модел меъмории Residual Attention-based CNN мебошад. Вуруд тензори RGB-и 5 × 1486 × 3 аст.

Қабат / блокСохтор
Input5 × 1486 × 3
Gaussian NoiseСадои сабук барои Robustness; дар Figure 4 ҳамчун 0.01 нишон дода шудааст.
Initial extractionConv2D 64 филтр, 7×7, stride 2 → BatchNormalization → ReLU → MaxPooling 3×3, stride 2
Residual Stack 1Ду residual block бо 64 филтр → SpatialDropout2D 0.1
Residual Stack 2128 филтр, stride 2 residual block → 128 филтр residual block → Channel Attention → SpatialDropout2D 0.1
Residual Stack 3256 филтр, stride 2 residual block → 256 филтр residual block → Channel Attention → GAP → Dense 16 → Dense 128 → Reshape → Multiply → SpatialDropout2D 0.2
Multi-level feature extractionHigh-level GAP + mid-level feature бо 1×1 Conv2D → Concatenate
Classification headDense 128 + BN + ReLU + Dropout 0.5 → Dense 64 + BN + ReLU + Dropout 0.3 → Dense 15 + Softmax

High-level representation ҳамчун 256-андоза ва mid-level representation, ки бо 1×1 convolution гирифта шудааст, ҳамчун 128-андоза тавсиф шуда, пас аз concatenation feature vector-и 384-андоза сохта шудааст.

Шумораи умумии параметрҳои модел 2,903,103 аст. Аз онҳо 2,897,983 trainable ва 5120 non-trainable мебошанд. Манбаъ model footprint-ро тақрибан 11.07 MB гузориш мекунад.

Optimizer ва танзимоти омӯзиш

Модел бо Adam optimizer омӯзонида шудааст. Learning rate:

\[ \eta = 0.0001 \]

гузориш шудааст.

Loss function categorical cross-entropy мебошад. Манбаъ муодилаи математикии ин loss-ро намедиҳад; аз ин рӯ Verianla баъдан муодилае ба матн илова накардааст.

Дар раванди Training callback-ҳои EarlyStopping, ReduceLROnPlateau ва ModelCheckpoint истифода шудаанд. Барои ҳар cross-validation fold модел аз сифр аз нав initialize шуда, то 20 epoch омӯзонида шудааст.

Cross-validation чӣ гуна татбиқ шудааст?

Манбаъ барои dataset partition-и аввал 70% training, 15% validation ва 15% testing-ро гузориш мекунад. Дар марҳилаи Cross-validation бахшҳои аслии training ва validation дубора якҷо шуда, ба ду stratified fold ҷудо шудаанд.

Як fold ҳамчун training ва fold-и дигар ҳамчун validation истифода шуда, сипас нақшҳо иваз шудаанд. Дар ҳар fold модел аз нав initialize шудааст. Арзишҳои Accuracy, macro-F1 ва AUC байни fold-ҳо сабт ва арзёбӣ шудаанд.

Вазнҳои модели fold, ки баландтарин validation F1-ро додааст, дар арзёбии final unseen test-set истифода шудаанд. Манбаъ ба таври возеҳ мегӯяд, ки моделҳои fold бо ensemble averaging якҷо карда нашудаанд.

Усул ва Натиҷаҳои Таҳқиқот

Таҷҳизоти таҷрибавӣ

ҶузъАрзиши манбаъ
Системаи амалиётӣMicrosoft Windows 11 Home, Version 10.0.26100, Build 26100
CPUAMD Ryzen 7 3700X, 8-Core, 3.6 GHz
RAM32 GB
Платаи модарӣMSI B450M PRO-VDH MAX
GPUNVIDIA RTX 3070
GPU accelerationCUDA

Математикаи вақти тавлиди тасвир

Манбаъ вақти умумии тавлиди тасвирро барои тақрибан 100,000 flow 3 соат 16 дақиқа, яъне 11,760 s медиҳад.

\[ T_{flow}=\frac{T_{total}}{N_{flows}} =\frac{11760}{100000} =0.1176\;s/flow \tag{1} \]

Муодилаи 1 чиро ҳисоб мекунад? Вақти умумии тавлиди тасвирро ба шумораи flow тақсим карда, вақти миёна барои ҳар flow-ро дар шароити таҷрибавии манбаъ ҳисоб мекунад.

\[ T_{image}= \frac{T_{flow}}{15} = \frac{0.1176}{15} = 0.00784\;s/image \tag{2} \]

Манбаъ мегӯяд, ки дар ин ҳисоб барои ҳар flow 15 image тавлид шудааст. Аз ин рӯ вақти миёнаи single-image generation 7.84 ms мебошад.

Манбаъ дар ҳолати фарзиявӣ, ки барои ҳар flow танҳо як image тавлид мешавад:

\[ T_{flow\_1img}=T_{image}=0.00784\;s/flow \tag{3} \]

ва мутаносибан:

\[ R_{flow} = \frac{1}{T_{flow\_1img}} = \frac{1}{0.00784} \approx127.55\;flows/s \tag{4} \]

суръати ҷараёнро ҳисоб мекунад.

Ҳадди муҳими тафсир: Манбаъ ба таври возеҳ мегӯяд, ки ин баҳодиҳии throughput сарбориҳои иловагии flow extraction ва PCAP segmentation-ро дар бар намегирад. Storage backend ва хусусиятҳои network-traffic низ метавонанд вақти воқеиро тағйир диҳанд. Аз ин рӯ 127.55 flows/s кафолати пурраи end-to-end live NIDS throughput нест.

Муодилаҳои evaluation metric

Манбаъ муодилаҳои accuracy, precision, recall ва F1-score-ро ба таври возеҳ медиҳад.

\[ Accuracy= \frac{TP+TN} {TP+TN+FP+FN} \tag{5} \]

TP шумораи мусбати дуруст; TN манфии дуруст; FP мусбати нодуруст; FN манфии нодурустро ифода мекунад. Accuracy чен мекунад, ки чӣ ҳиссаи ҳамаи намунаҳо дуруст тасниф шудаанд.

\[ Precision= \frac{TP} {TP+FP} \tag{6} \]

Precision чен мекунад, ки чӣ ҳиссаи пешгӯиҳои “ин ҳамла аст”-и модел воқеан ба синфи дахлдор тааллуқ доранд. Бо зиёд шудани false-positive, precision коҳиш меёбад.

\[ Recall= \frac{TP} {TP+FN} \tag{7} \]

Recall чен мекунад, ки чӣ ҳиссаи намунаҳои воқеан ба синфи дахлдор тааллуқдошта аз ҷониби модел гирифта шудаанд. Бо зиёд шудани false-negative, recall коҳиш меёбад.

\[ F1= 2\cdot \frac{Precision\cdot Recall} {Precision+Recall} \tag{8} \]

F1-score миёнаи гармоникии precision ва recall мебошад. Хусусан дар маҷмӯаҳои додаҳои номутаносиб аз танҳо accuracy дида тавзеҳдиҳандатар буда метавонад.

Манбаъ инчунин AUC-ROC-ро истифода мекунад. AUC-ROC метрикаест, ки қобилияти ҷудокунии синфҳоро дар threshold-ҳои гуногун ҷамъбаст мекунад; аммо манбаъ шакли муодилавии AUC-ро намедиҳад.

Натиҷаи Дақиқии 99.36% Чӣ Гуна Бояд Тафсир Шавад?

Дақиқии 99.36% натиҷаи баланди таснифотӣ барои шароити арзёбии панҷ-бастаии CICIDS бо cross-validation дар манбаъ аст; ин маъно надорад, ки ҳамаи ҳамлаҳо дар шабакаи воқеии истеҳсолӣ бо эҳтимоли %99.36 ошкор мешаванд ва фарқиятҳои precision/recall байни синфҳо, сохтори benchmark, augmentation ва маҳдудиятҳои равзанаи кӯтоҳи мушоҳида бояд якҷо арзёбӣ шаванд.

Бо зиёд шудани шумораи бастаҳо дақиқӣ чӣ гуна тағйир ёфт?

Зерппайдарпайии бастаҳоGhadermazi 2024Пешниҳодшуда, бе CVПешниҳодшуда, 2-fold CV
[1]0.74390.12920.5581
[1–2]0.89330.10680.6231
[1–3]0.91770.37130.8565
[1–4]0.95430.77260.9752
[1–5]0.96650.94290.9936
[1–6]0.97870.91270.9966

Бо се баста cross-validated accuracy 85.65%, бо чор баста 97.52%, бо панҷ баста 99.36% аст. Шаш баста бо 99.66% натиҷаи каме баландтар додааст.

Дар ин ҷо ҷузъиёти муҳими пешниҳоди манбаъ мавҷуд аст: дар ҳоле ки меъмории асосӣ ҳамчун вуруди 5 × 1486 × 3 ва “five consecutive packets” тавсиф мешавад, Table 7 инчунин progressive-window то шаш бастаро гузориш мекунад. Манбаъ бо ҳамон сатҳи тафсилоти техникӣ шарҳ намедиҳад, ки таҷрибаи шаш-бастаӣ ба меъмории асосии 5-бастаии input чӣ гуна мутобиқ карда шудааст. Verianla ин холигиро бо фарзия пур намекунад.

Натиҷаҳои CICIDS2017 аз рӯйи синф

СинфШумораи намунаAccuracyPrecisionRecallF1
Benign50000.981.000.980.99
Bot7381.000.941.000.97
DDoS64,5121.001.001.001.00
DoS_GoldenEye11,8640.900.960.900.93
DoS_Hulk164,7351.000.991.001.00
DoS_Slowhttptest22080.860.980.860.92
DoS_Slowloris17280.791.000.790.88
FTP_Patator1501.000.991.000.99
Heartbleed26700.961.000.960.98
Infiltration28541.000.981.000.99
PortScan12,4921.001.001.001.00
SSH_Patator1340.980.300.980.46
Web_Attack_BF13650.990.930.990.96
Web_Attack_SQL6530.941.000.940.97
Web_Attack_XSS6791.001.001.001.00

Муҳимтарин муқобилнамунаи ҷадвал SSH_Patator аст. Гарчанде recall 0.98 бошад, precision танҳо 0.30 аст. Яъне қисми зиёди намунаҳои воқеии SSH_Patator гирифта мешаванд, аммо дар байни пешгӯиҳои бо нишони SSH_Patator таъсири ҷиддии false-positive вуҷуд дорад.

Манбаъ инро бо test sample-и хурд ва таъсири мутаносибан хеле калони шумораи ками false-positive аз attack class-ҳои калон ба синфи хурд шарҳ медиҳад.

Равзанаи кӯтоҳ барои кадом ҳамлаҳо мушкил эҷод карда метавонад?

Равзанаи панҷ-бастаӣ барои ҳамлаҳои ҳаҷми баланд ва зуднишона метавонад бартарии қарори барвақтӣ диҳад. Аммо дар ҳамлаҳои суст ва дарозмуддат, ба монанди Slowloris, намунаи хоси ҳамла метавонад ба панҷ баста нағунҷад.

Аз ин рӯ манбаъ мегӯяд, ки adaptive window sizing ё равишҳои монанди recurrent-memory метавонанд барои ҳамлаҳои дарозмуддат дар оянда арзёбӣ шаванд.

Натиҷаҳои CICIDS2018

СинфШумораи намунаAccuracyPrecisionRecallF1
DoS_GoldenEye36,5131.001.001.001.00
DoS_Slowloris61860.981.000.980.99
Infiltration21810.981.000.980.99
SSH_Patator84,9211.001.001.001.00
Web_Attack_BF5451.001.001.001.00
Web_Attack_XSS3251.001.001.001.00

Таҳлили ROC–AUC

Манбаъ ROC curves-ро барои шароити progressive packet-subsequence нишон медиҳад. Дар равзанаҳои хурди аввали баста AUC байни синфҳо гуногун аст, аммо дар шароити [1–5] ва [1–6] манбаъ барои ҳамаи синфҳо AUC = 1.000 гузориш мекунад.

Ин арзишҳои AUC ба ҷудокунии таснифотӣ дар ҳамон таҷрибаи benchmark тааллуқ доранд. Таҳқиқот нишон надодааст, ки ҳамон AUC дар шабакаҳои дигар, давраҳои вақт ё оилаҳои номаълуми ҳамла нигоҳ дошта мешавад.

Чаро Синфи DDoS_HTTP Дар BoT-IoT Мушкил Эҷод Кард?

Дар BoT-IoT, азбаски намунаҳои визуалии пакетии DDoS_HTTP ва DoS_HTTP ба ҳам хеле монанданд ва ҳангоми preprocessing source/destination IP address-ҳо хориҷ шудаанд, модел дар ҷудокунии боэътимоди HTTP DoS-и якманбаъ ва DDoS_HTTP-и бисёрманбаъ душворӣ кашид; баланд шудани accuracy аз 96% ба 99.89% баъд аз хориҷ кардани DDoS_HTTP аҳамияти ҳамин омехтагии мушаххаси синфҳоро нишон медиҳад.

Чаро BoT-IoT ҷудогона арзёбӣ шуд?

Дар ҳоле ки CICIDS2017 ва CICIDS2018 асосан enterprise-style traffic ва сенарияҳои назоратшавандаи ҳамларо намояндагӣ мекунанд, BoT-IoT дар UNSW Canberra Cyber Range Lab барои сенарияҳои IoT botnet сохта шудааст.

Манбаъ BoT-IoT-ро ҳамчун маҷмӯаи додаҳои берунаи сохторӣ ва семантикӣ аз муҳитҳои қаблии CICIDS фарқкунанда истифода карда, рафтори моделро дар тақсимоти дигари ҳамла омӯхтааст.

Намунагирии training-и BoT-IoT

Дар BoT-IoT миқдори training барои ҳар синф бо интихоби хурдтарини %70-и маълумоти мавҷуда ва 200 намуна маҳдуд карда шудааст. Намунаҳои боқимонда барои validation ва test ба таври stratified ҷудо шудаанд.

Гуфта мешавад, ки дар сенарияи Data_Exfiltration аввал танҳо 118 flow мавҷуд буд; пас аз packet-sequence slicing 475 flow ба даст омад.

Натиҷаи пурраи BoT-IoT multiclass

СинфPrecisionRecallF1Support
Data_Exfiltration0.830.960.89137
DoS_HTTP0.740.840.7812,354
Keylogging0.990.980.99631
OS_Scan1.001.001.0023,392
DoS_TCP1.001.001.0010,668
Service_Scan1.001.001.0012,321
DoS_UDP1.001.001.0024,894
Benign1.001.001.001676
DDoS_TCP1.001.001.0018,092
DDoS_UDP1.001.001.0024,893
DDoS_HTTP0.750.620.689766
Accuracy-и умумӣ0.96138,824

Заъфи асосии BoT-IoT синфҳои HTTP flood мебошанд. Барои DDoS_HTTP recall 0.62, F1 0.68; барои DoS_HTTP бошад F1 0.78 аст.

Пас аз хориҷ кардани DDoS_HTTP чӣ шуд?

СинфPrecisionRecallF1Support
Data_Exfiltration0.890.970.93137
DoS_HTTP1.001.001.0012,355
Keylogging0.991.000.99631
OS_Scan1.001.001.0023,392
DoS_TCP1.001.001.0010,668
Service_Scan1.000.991.0012,321
DoS_UDP1.001.001.0024,894
Benign1.001.001.001676
DDoS_TCP1.001.001.0018,092
DDoS_UDP1.001.001.0024,893
Accuracy-и умумӣ0.9989129,059

Пас аз хориҷ кардани DDoS_HTTP, ба 1.00 расидани precision, recall ва F1-и DoS_HTTP дастгирӣ мекунад, ки қисми муҳими хатогиҳои қаблӣ аз ҷудокунии ин ду синфи монанди HTTP-flood бармеомад.

Манбаъ дар Figure 12 инчунин нишон медиҳад, ки image representations-и DoS_HTTP ва DDoS_HTTP аз ҷиҳати сохтор ва зичӣ визуалӣ хеле монанданд.

Байни privacy ва classification чӣ гуна trade-off ба вуҷуд меояд?

Яке аз фарқиятҳои муҳим байни DoS_HTTP ва DDoS_HTTP ин аст, ки ҳамла аз чанд source-и гуногун меояд. Вақте source IP address-ҳо барои privacy/anonymization аз input хориҷ мешаванд, модел ин маълумотро мустақиман дида наметавонад.

Аз ин рӯ, privacy-preserving preprocessing дар ҳоле ки истифодаи маълумоти ҳувиятро аз ҷониби модел пешгирӣ мекунад, метавонад дар баъзе ҷудокуниҳои attack-type талафи маълумот эҷод кунад. Муаллифон барои оянда таҳқиқи context feature-ҳои сатҳи баландтар ба монанди inferred source count ё traffic-origin diversity-ро бе истифодаи мустақими IP address пешниҳод мекунанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

  • Тасвирҳои аз панҷ бастаи пайдарпай тавлидшуда дар шароити benchmark-и CICIDS classification accuracy-и баланди бисёрсинфа доданд.
  • Дар шароити панҷ-бастаӣ бо 2-fold stratified cross-validation accuracy 0.9936 аст.
  • Бо се баста 0.8565 ва бо чор баста 0.9752 accuracy гузориш шуда, ин натиҷаҳо имконияти ошкорсозии барвақтиро дастгирӣ карданд.
  • Flow slicing шумораи representation-ҳоро барои синфҳои дорои flow-и хеле кам, ба монанди Heartbleed ва Infiltration, зиёд кард.
  • DVWA + SQLMap асосёфтаи назоратшавандаи SQL Injection augmentation барои кам кардани норасоии SQLi-и аслӣ истифода шудааст.
  • Residual blocks, channel attention ва multi-level feature fusion якҷо истифода шудаанд.
  • Дар full multiclass evaluation-и BoT-IoT 96% accuracy гузориш шудааст.
  • Пас аз хориҷ кардани DDoS_HTTP ва аз нав омӯзондани модел accuracy-и BoT-IoT то 99.89% баланд шуд.
  • Хориҷ кардани source/destination IP-ҳо бо додани бартарии privacy метавонад контексти муфидро барои ҷудокунии баъзе синфҳои ҳамла аз байн барад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

  • Нишон дода нашудааст, ки модел ҳамаи ҳамлаҳоро дар интернет ё шабакаи корпоративии воқеӣ бо дақиқии 99.36% ошкор мекунад.
  • Арзиши 99.89% ба натиҷаи пурраи BoT-IoT multiclass тааллуқ надорад; он ба шароити таҷрибавие тааллуқ дорад, ки DDoS_HTTP хориҷ шудааст.
  • Барои ҳамаи синфҳои ҳамла precision ва recall-и комил ба даст наомадааст.
  • Панҷ баста ҳамчун равзанаи универсалии оптималӣ барои ҳамаи навъҳои ҳамла исбот нашудааст.
  • Нишон дода нашудааст, ки ҳамлаҳои slow-rate ё дарозмуддат дар равзанаи кӯтоҳи баста пурра гирифта мешаванд.
  • Арзиши 127.55 flows/s ченаки пурраи end-to-end live PCAP ingestion + flow extraction + inference throughput нест.
  • Арзишҳои p > 0.05 дар тасдиқи SQL Injection синтетикӣ исбот намекунанд, ки трафики синтетикӣ ва CICIDS тақсимоти комилан яксон доранд.
  • Live SDN, edge appliance ё production SOC deployment иҷро нашудааст.
  • Барои модел saliency map, SHAP ё ягон усули дигари XAI татбиқ нашудааст.
  • Online/continual learning дар таҳқиқоти ҷорӣ санҷида нашудааст.

Маҳдудиятҳои асосии таҳқиқот

Равзанаи кӯтоҳи observation: Гарчанде равиши панҷ-бастаӣ дар ҳамлаҳои зуд бартарӣ дорад, барои намунаҳои дарозмуддат ба монанди Slowloris ё advanced persistent threat контекст метавонад нокифоя бошад.

Dataset dependence: CICIDS2017, CICIDS2018 ва BoT-IoT маҷмӯаҳои benchmark мебошанд, ки дар муҳитҳои назоратшаванда ё cyber-range сохта шудаанд. Онҳо тамоми гуногунии трафики шабакаҳои воқеии истеҳсолиро намояндагӣ намекунанд.

Privacy–feature trade-off: Хориҷ кардани маълумоти IP ва port бартарии privacy ва anonymization медиҳад; аммо метавонад дар ҳолатҳое ба монанди SSH_Patator ва ҷудокунии DoS/DDoS боиси талафи feature-и муфид гардад.

Class imbalance: Сарфи назар аз augmentation, арзёбии синфҳои хурд ба андозаи намуна ҳассос аст. SSH_Patator precision = 0.30 намунаи равшани он мебошад.

Тасдиқи augmentation-и синтетикӣ: SQLi augmentation аз ҷиҳати оморӣ ва визуалӣ муқоиса шудааст, аммо баъзе муқоисаҳо ба намунаҳои хеле хурди packet асос ёфтаанд.

Real-time deployment: Гарчанде таҳқиқот нишондиҳандаҳои қавии runtime медиҳад, full operational deployment дар муҳити SDN, edge ё live streaming NIDS ба кори оянда гузошта шудааст.

Корҳои оянда

Манбаъ дар оянда интиқол ба маҷмӯаҳои додаҳои дигар ба монанди UNSW-NB15 ва TON_IoT; domain adaptation ва meta-learning; муттаҳидсозии image representation бо flow-level metadata/header statistics/protocol fields тавассути multimodal fusion; real-time inference deployment бо TensorRT ё ONNX; ҳамгироии SDN ва edge; усулҳои Explainable AI ба монанди saliency mapping ва мутобиқсозии пайваста бо online/semi-supervised/active learning-ро пешниҳод мекунад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Enhancing early detection and accuracy in image-based network intrusion detection systems

Муаллифон ва тартиб: Alshaimaa Abo-Alian; Alaa Prince AbdelHalim; Nagwa Badr.

Саҳми баробар: Alaa Prince AbdelHalim ва Nagwa Badr ба таҳқиқот саҳми баробар гузоштаанд.

Corresponding author: Alaa Prince AbdelHalim.

Corresponding e-mail: alaaprince@cis.asu.edu.eg

Муассиса: Faculty of Computer and Information Sciences, Ain Shams University, Al-Khalifa Al-Ma’mun, Cairo 11566, Egypt.

Маҷалла: Cybersecurity.

Ношир: Springer Nature / SpringerOpen.

Ҷилд / рақами мақола: Volume 9, Article 51.

Навъи манбаъ: Research.

DOI: 10.1186/s42400-025-00475-1.

Пайванди расмӣ: https://doi.org/10.1186/s42400-025-00475-1

Received: 13 Май 2025.

Accepted: 1 Сентябр 2025.

Published: 6 Апрел 2026.

Version of record: 6 Апрел 2026.

Вазъи нашр: Мақолаи Research-и дастрасии кушода мебошад, ки аз ҷониби Springer Nature нашр шудааст. PDF навъи мушаххаси модели доварӣ, ба монанди single-blind ё double-blind-ро нишон намедиҳад.

Иҷозатнома: Creative Commons Attribution 4.0 International — CC BY 4.0.

Вазъи preprint: Манбаи баррасишуда мақолаи нашршудаи version-of-record мебошад; манбаъ рақами ҷудогонаи preprint намедиҳад.

Усули асосии илмӣ: PCAP segmentation → flow extraction → packet-vector generation → directional RGB image encoding → residual/channel-attention CNN → multiclass classification.

Вуруди асосӣ: То панҷ бастаи пайдарпай; ҳар баста 1486 byte; тензори асосӣ 5 × 1486 × 3.

Хусусияти вақт: Delta time нисбат ба бастаи қаблӣ, millisecond; барои мутобиқати намоиши 8-bit бо 255 маҳдуд шудааст.

Payload: То 1460 byte.

RGB mapping: Red = forward; Green = backward; Blue = padding/future-use ва дар татбиқи ҷорӣ сифр.

Контексти flow termination: FIN/RST, тақрибан 600 ms elapsed-time threshold ва шартҳои forward/backward flow, ки дар манбаъ нишон дода шудаанд.

Augmentation: Packet-sequence slicing барои Heartbleed ва Infiltration; трафики иловагии ҳамла бо dictionary payload ва SQLMap дар муҳити назоратшавандаи DVWA барои SQL Injection.

SQLi validation: Packet-size K–S p = 0.0525; IPD K–S p = 0.8111; TCP-flags chi-square p = 0.9203.

Модел: Residual Attention-based CNN.

Шумораи параметрҳо: 2,903,103 total; 2,897,983 trainable; 5120 non-trainable.

Model footprint: 11.07 MB.

Optimizer: Adam.

Learning rate: 0.0001.

Loss: Categorical cross-entropy.

Callbacks: EarlyStopping, ReduceLROnPlateau, ModelCheckpoint.

Training: Ҳар cross-validation fold то 20 epoch ва модел дар ҳар fold аз нав initialize шудааст.

Validation: Stratified two-fold cross-validation.

Тақсимоти ибтидоии додаҳо: 70% training, 15% validation, 15% test.

Татбиқи cross-validation: Бахшҳои Training ва validation якҷо шуда, ду stratified fold сохта шудаанд; unseen test set барои final evaluation нигоҳ дошта шудааст.

Натиҷаи асосии CICIDS: Дар шароити панҷ баста ва cross-validation accuracy = 0.9936.

Натиҷаҳои progressive packet: 1 баста 0.5581; 2 баста 0.6231; 3 баста 0.8565; 4 баста 0.9752; 5 баста 0.9936; 6 баста 0.9966.

Ҳадди тафсири progressive-window: Дар ҳоле ки меъмории асосӣ панҷ баста муайян шудааст, Table 7 таҷрибаро то шаш баста нишон медиҳад; манбаъ мутобиқсозии input-shape-и шароити шаш-бастаиро бо ҳамон тафсилоти техникӣ шарҳ намедиҳад.

BoT-IoT full multiclass: Accuracy = 0.96, 138,824 намунаи test.

BoT-IoT without DDoS_HTTP: Пас аз аз нав омӯзондани модел accuracy = 0.9989, 129,059 намунаи test.

Маҳдудияти BoT-IoT: Омехтагии DoS_HTTP ва DDoS_HTTP бо намунаи монанди HTTP-flood ва хориҷ шудани маълумоти source/destination IP барои privacy алоқаманд карда шудааст.

Ҳисоби runtime: 100,000 flow дар 11,760 s; 0.1176 s/flow; бо фарзияи 15 image/flow 0.00784 s/image; бо фарзияи single-image-per-flow назариявӣ 127.55 flows/s.

Ҳадди тафсири runtime: Ҳисоби 127.55 flows/s сарбории иловагии flow extraction ва PCAP segmentation-ро дар бар намегирад.

Таҷҳизоти таҷрибавӣ: Windows 11 Home; AMD Ryzen 7 3700X 8-core 3.6 GHz; 32 GB RAM; MSI B450M PRO-VDH MAX; NVIDIA RTX 3070; CUDA acceleration.

Маблағгузорӣ: Not applicable; маблағгузории беруна гузориш нашудааст.

Data Availability: Маҷмӯаҳои додаҳои CICIDS2017, CICIDS2018 ва BoT-IoT барои омма кушодаанд; манбаъ суроғаҳои расмии дастрасии онҳоро медиҳад.

Ихтилофи манфиатҳо: Муаллифон competing interests надоштанашонро изҳор мекунанд.

Саҳмҳои муаллифон: Alshaimaa Abo-Alian implementation, data analysis ва manuscript writing; Alaa Prince AbdelHalim study design, conceptualization, guidance ва critical revisions; Nagwa Badr project supervision, review ва oversight-ро таъмин кардааст. Ҳамаи муаллифон final manuscript-ро хонда ва тасдиқ кардаанд.

Маҳдудияти асосии методологӣ: Таҳқиқот дар маълумоти benchmark/cyber-range санҷида шудааст; full-scale, long-term production network deployment анҷом дода нашудааст.


Мубодила:

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

Шарҳ гузоред

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