KİBER TƏHLÜKƏSİZLİKDƏ ANOMAL HALLARIN AŞKARLANMASI ÜÇÜN HİBRİD CNN+LSTM MODELİNİN TƏTBİQİ VƏ EFFEKTİVLİYİNİN QİYMƏTLƏNDİRİLMƏSİ

Xülasə

Məqalədə müasir kiber təhdidlərə qarşı dayanıqlı, yüksək dəqiqliklə işləyən və proaktiv müdafiəni təmin edən anomal halların aşkarlanması metodikası formalaşdırılmışdır. Bu məqsədlə  şəbəkə trafikindəki gizli asılılıqları və zaman seriyası xüsusiyyətlərini eyni anda analiz edə bilən hibrid CNN+LSTM dərin öyrənmə modeli təklif edilmişdir. Təqdim olunan modeldə məlumat yükünün optimallaşdırılması və qeyri-müəyyənliyin aradan qaldırılması üçün entropiya və Cini indeksinə əsaslanan riyazi yanaşma tətbiq olunmuşdur. Təklif edilən intellektual memarlıq xam şəbəkə loqlarının loqorifmik normalizasiyası, Conv1D qatında spatial xüsusiyyətlərin çıxarılması, MaxPooling vasitəsilə küyün təmizlənməsi və LSTM qatında zaman oxu üzrə mürəkkəb asılılıqların analizi ardıcıllığına əsaslanır. Modelin overfitting riskinin qarşısını almaq üçün arxitekturaya adaptiv Dropout tənzimləməsi inteqrasiya edilmişdir. İşlənilmiş hibrid arxitekturanın effektivliyi beynəlxalq səviyyədə qəbul edilmiş NSL-KDD və  CICIDS2017 verilənlər bazaları üzərində simulyasiya edilərək sınaqdan keçirilmişdir. Eksperimental nəticələr göstərir ki, təklif olunan CNN+LSTM modeli müəyyən edilmiş performans metriklərinə görə 99.2% Precision, 98.6% Recall və 98.9% F1-Score nümayiş  etdirərək, ənənəvi maşın öyrənməsi alqoritmlərini (K- means, SVM, Random Forest) və standart MLP şəbəkələrini geridə qoymuşdur. İşin elmi yeniliyi şəbəkə paketlərinin analizi zamanı temporal xüsusiyyətləri nəzərə alan yeni aşkarlama çərçivəsinin yaradılmasıdır. Nəticələrin praktiki əhəmiyyəti strateji infrastruktur obyektlərində fəaliyyət göstərən Kiber Təhlükəsizlik Mərkəzlərində (SOC) sıfırıncı gün (Zero-day) hücumlarının erkən mərhələdə proaktiv aşkarlanması və informasiya itkilərinin minimuma endirilməsi ilə şərtləndirilir.