به‌كارگيري نرخ آموزش پايدار شبكه‌هاي عصبي خودرمزگذار به‌منظور تشخيص ناهنجاري براي ديواره آتش برنامه كاربردي وب

مهندسي ويژگي با استفاده از شبكه‌هاي عصبي ژرف پيشرفت چشم‌گيري داشته است. يكي از انواع شبكه‌هاي ژرف، شبكه عصبي خودرمزگذار پشته‌اي است. از اين شبكه با قابليت يادگيري بدون سرپرست براي استخراج ويژگي و تشخيص ناهنجاري استفاده مي‌شود. در اين مقاله نيز با تكيه بر اين دو كاربرد مهم، از شبكه‌هاي خودرمزگذار پشته‌اي به‌منظور تشخيص حملات به عنوان راهكاري در ديواره آتش برنامه‌هاي كاربردي وب استفاده مي‌نماييم. در اين راهكار دسته‌بندهاي تك كلاسه سعي در شناسايي درخواست‌هاي مخرب HTTP دارد. ويژگي‌هايي كه با استفاده از مدل bigram مبتني بر كاراكتر ساخته شده‌اند، زياد و بسياري از آن‌ها نامرتبط مي‌باشند. ازاين‌رو با استفاده از شبكه‌هاي خودرمزگذار پشته‌اي ويژگي‌هاي مرتبط را استخراج مي‌كنيم. همچنين پايداري آموزش شبكه‌هاي عصبي ژرف يكي از چالش‌هاي آموزش مي‌باشد. به همين خاطر براي پايداري شبكه‌هاي خودرمزگذار، يك نرخ آموزش پايدار توسعه مي‌دهيم. با استفاده از دو مجموعه دادگان CSIC-2010 و ECML/PKDD-2007 نتايج شبيه‌سازي شبكه خودرمزگذار و تشخيص حملات را مشاهده خواهيم كرد. همان‌گونه كه خواهيم ديد، با چنين رويكردي علاوه بر اينكه شبكه خودرمزگذار ناپايدار نمي‌شود، نتايج قابل قبولي هم در شناسايي حملات خواهد داشت.