AI-Driven Security Paradigms: Elevating Cloud Protection with Machine Learning

في الأدبيات، استكشفت بعض الدراسات تصنيف حركة الشبكة باستخدام الشبكات العصبية طويلة الأمد وقصيرة الأمد (LSTM) لتعزيز أمان السحابة. قمنا بتحليل مجموعة بيانات—BCCC—تتضمن أنواعًا مختلفة من حركة الشبكة: Benign، Benign-Email-Receive، Benign-Email-Send، Benign-FTP، Benign-SSH، Benign-Systemic، Benign-Telnet، وBenign-Web_Browsing_HTTP-S. من الميزات الرئيسية التي تم فحصها: fwd_ack_flag_percentage_in_fwd_packets، fwd_ack_flag_percentage_in_total، min_fwd_header_bytes_delta_len، وhandshake_duration. قدم النموذج أداءً جيدًا في اكتشاف الفئة Benign، لكن بعض الفئات ذات العينات الأقل، مثل Benign-FTP وBenign-Email-Receive، تحتاج إلى تحسين الدقة والاستدعاء بسبب عدم توازن الفئات. بشكل عام، أداء النموذج في تصنيف حركة الشبكة قوي. تقدم هذه الدراسة استراتيجيات لمعالجة عدم توازن الفئات وتنقيح هندسة الميزات. كما توفر أساسًا لمزيد من التحقيقات التفصيلية في approaches الذكاء الاصطناعي لتصنيف حركة الشبكة، مع التركيز على أهمية توازن العينات لتحقيق أداء دقيق عالي.