معماری گراف دانش فدره مبتنی بر هوش مصنوعی برای بهینهسازی بلادرنگ هوش تهدیدات سایبری در سیستمهای اطلاعاتی دولت هوشمند
کلمات کلیدی:
یادگیری فدره, گراف دانش, اطلاعات تهدیدات سایبری, سامانههای دولت هوشمند, هوش مصنوعیچکیده
تحول دیجیتال گسترده در زیرساختهای دولتی موجب افزایش پیچیدگی، مقیاس و پیوستگی اکوسیستمهای سایبری در محیطهای دولت هوشمند شده است. سامانههای اطلاعاتی بخش عمومی امروزه بهصورت فزاینده به رایانش ابری، پردازش لبهای، زیرساختهای اینترنت اشیا، خدمات دیجیتال توزیعشده و بسترهای تبادل داده میانسازمانی وابسته هستند تا فرایندهای اجرایی و خدمات عمومی را مدیریت کنند. با وجود مزایای عملیاتی این فناوریها، گسترش آنها موجب ایجاد آسیبپذیریهای پیچیده سایبری شده است که معماریهای امنیتی متمرکز سنتی توان پاسخگویی مؤثر به آنها را ندارند. سامانههای موجود اطلاعات تهدیدات سایبری معمولاً با مشکلاتی نظیر پراکندگی دادهها، تأخیر در همبستگی تهدیدات، محدودیت در تعاملپذیری، ضعف در استنتاج معنایی و چالشهای حفظ محرمانگی دادهها در محیطهای چندسازمانی مواجه هستند. این محدودیتها توان نهادهای دولتی را در شناسایی و مهار حملات سایبری پیشرفته بهصورت بلادرنگ کاهش میدهد. پژوهش حاضر یک معماری گراف دانش فدره مبتنی بر هوش مصنوعی را برای بهینهسازی بلادرنگ اطلاعات تهدیدات سایبری در سامانههای اطلاعاتی دولت هوشمند ارائه میکند. چارچوب پیشنهادی با تلفیق یادگیری فدره، نمایش معنایی تهدیدات مبتنی بر گراف دانش، مدلهای توزیعشده هوش مصنوعی و تحلیلهای امنیت سایبری مبتنی بر پردازش لبهای، یک ساختار امنیتی یکپارچه و هوشمند ایجاد میکند. این مدل امکان یادگیری توزیعشده تهدیدات سایبری را میان گرههای مختلف دولتی بدون تبادل مستقیم دادههای حساس سازمانی فراهم میسازد. همچنین لایه گراف دانش قابلیت همبستگی معنایی تهدیدات، استنتاج روابط حمله، تحلیل مسیرهای نفوذ و استخراج هوشمند دانش امنیتی را در محیطهای ناهمگون اطلاعاتی فراهم میکند. معماری پیشنهادی شامل تحلیل بلادرنگ نفوذ، طبقهبندی تطبیقی تهدیدات، کشف ناهنجاری فدره و استنتاج روابط سایبری مبتنی بر گراف است که موجب ارتقای آگاهی موقعیتی امنیت سایبری و افزایش کارایی پاسخگویی امنیتی میشود. چارچوب روششناختی پژوهش با استفاده از مجموعهدادههای معاصر امنیت سایبری، اصول یادگیری توزیعشده و سازوکارهای حفاظت از زیرساختهای هوشمند، عملکرد سامانه را در شرایط شبکههای گسترده دولتی ارزیابی میکند. یافتههای تحلیلی نشان میدهد که تلفیق هوش مصنوعی فدره و استنتاج مبتنی بر گراف دانش، دقت تشخیص، سرعت همبستگی تهدیدات، تعاملپذیری و حفظ حریم دادهها را در مقایسه با سامانههای متمرکز سنتی بهطور معناداری بهبود میدهد. این پژوهش یک چارچوب مقیاسپذیر و هوشمند برای پشتیبانی از زیرساختهای تابآور دولت دیجیتال در شرایط تهدیدات سایبری پویا ارائه میکند و میتواند مبنایی برای توسعه سیاستهای آینده امنیت سایبری دولت هوشمند، مدیریت اعتماد دیجیتال توزیعشده و سامانههای دفاع سایبری مبتنی بر هوش مصنوعی باشد.
مراجع
Zhang C, Xie Y, Bai H, Yu B, Li W, Gao Y. A survey on federated learning. Knowl Based Syst. 2021;216:106775.
Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60.
Pan J, Miao Y, Li X, Gui G. Knowledge graph empowered cybersecurity threat intelligence correlation and reasoning. IEEE Netw. 2022;36(6):74-81.
Wang Y, Liu Y, Jin Z, Wang H. Cyber threat intelligence sharing based on blockchain and federated learning for smart city networks. Future Gener Comput Syst. 2022;128:90-102.
Jiang J, Chen B, Wang K, Song H. AI-enabled cyber threat intelligence for smart critical infrastructures. IEEE Trans Ind Inform. 2022;18(10):7048-7057.
Ali S, Hafeez Y, Ahmad M, Khurram M. Artificial intelligence based cyber threat detection in smart government infrastructures. Comput Secur. 2021;107:102317.
Ferrag MA, Maglaras L, Moschoyiannis S, Janicke H. Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study. J Inf Secur Appl. 2020;50:102419.
Ahmad Z, Shahid Khan A, Wai Shiang C, Abdullah J, Ahmad F. Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Trans Emerg Telecommun Technol. 2021;32(1).
Sarker IH, Kayes ASM, Watters P. Effectiveness analysis of machine learning classification models for predicting personalized context-aware cybersecurity threats. J Big Data. 2020;7:50.
Xu G, Li H, Ren H, Yang K, Deng R. Data security issues in deep learning: Attacks, countermeasures, and opportunities. IEEE Commun Mag. 2021;59(11):108-114.
Cui L, Xie G, Qu Y, Gao L, Yang Y. Security and privacy in smart cities: Challenges and opportunities. IEEE Access. 2021;9:46134-46145.
Taddeo M, Floridi L. Cybersecurity, ethics, and the governance of digital infrastructures in smart cities. Philos Trans A Math Phys Eng Sci. 2021;379(2207):20200401.
Kshetri N, Voas J. Blockchain-enabled e-government: Challenges and opportunities. IT Prof. 2021;23(1):6-10.
Shi W, Cao J, Zhang Q, Li Y, Xu L. Edge computing: Vision and challenges. IEEE Internet Things J. 2020;3(5):637-646.
Almogren A. Intrusion detection in edge-of-things computing. J Parallel Distrib Comput. 2020;137:259-265.
Rizvi S, Kurtz A, Pfeffer J, Rizvi M. Securing the Internet of Things with machine learning anomaly detection in smart environments. Future Internet. 2020;12(6):97.
Mittal S, Khan MA, Romero D, Wuest T. A critical review of smart manufacturing and Industry 4.0 maturity models: Implications for small and medium-sized enterprises. J Manuf Syst. 2020;49:194-214.
Sharma A, Sengupta S, Fricker S. Federated learning for cybersecurity: Concepts, challenges and future directions. IEEE Access. 2021;9:148460-148498.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2025 مجله علمی مطالعات پژوهشی در علوم کامپیوتر آینده

این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.


