Сложнее, лучше, безопаснее, сильнее: трехсторонний искусственный интеллект повышает кибербезопасность

Согласно исследованию, опубликованному в Международном журнале бизнес-аналитики и интеллектуального анализа данных (International Journal of Business Intelligence and Data Mining), новая архитектура глубокого обучения может отражать кибератаки, комбинируя несколько методов анализа сетевого трафика. Этот подход устраняет слабое место стандартных систем обнаружения вторжений, которые сталкиваются с объемом и сложностью современного сетевого трафика.

Исследователи объединили глубокую нейронную сеть (DNN), которая идентифицирует сложные паттерны в больших наборах признаков, с двунаправленным стробируемым рекуррентным модулем (BiGRU), типом нейронной сети, предназначенной для выявления взаимосвязей между последовательностями в обоих направлениях. Оба компонента используют механизм концентрации внимания, который позволяет системе концентрироваться на особенностях и точках в последовательности, наиболее подходящей для обнаружения аномалий. Выходные данные объединяются и классифицируются с помощью многослойного персептрона (MLP), еще одной архитектуры нейронной сети, используемой для распределения данных по категориям.

Тесты на двух известных эталонных наборах данных показали, что система может достичь точности проверки около 99%. Исследователи объясняют, что система стабильна при обучении и обладает сравнительно высокой надежностью и обобщением, что означает, что она должна быть эффективна при работе с данными, выходящими за рамки данных обучения.

Результаты показывают, что сочетание анализа статических характеристик с распознаванием временных паттернов может повысить устойчивость систем кибербезопасности к атакам типа "отказ в обслуживании", зондированию сети и попыткам несанкционированного доступа.