ترجمه فارسی مقاله تشخیص حمله روز صفر و باج افزار

چکیده

Zero-day and ransomware attacks continue to challenge traditional Network Intrusion Detection Systems (NIDS), revealing their limitations in timely threat classification. Despite efforts to reduce false positives and negatives, significant attacks persist, highlighting the need for advanced solutions. Machine Learning (ML) models show promise in enhancing NIDS. This study uses the UGRansome dataset to train various ML models for zero-day and ransomware attacks detection. The finding demonstrates that Random Forest Classifier (RFC), XGBoost, and Ensemble Methods achieved perfect scores in accuracy, precision, recall, and F1-score. In contrast, Support Vector Machine (SVM) and Naive Bayes (NB) models performed poorly. Comparison with other studies shows Decision Trees and Ensemble Methods improvements, with accuracy around 99.4% and 97.7%, respectively. Future research should explore Synthetic Minority Over-sampling Techniques (SMOTEs) and diverse or versatile datasets to improve real-time recognition of zero-day and ransomware attacks.

چکیده به فارسی (ترجمه ماشینی)

حملات روز صفر و باج افزار همچنان به چالش کشیدن سیستم های تشخیص نفوذ شبکه سنتی (NIDS) ادامه می دهد و محدودیت های آنها در طبقه بندی تهدید به موقع را نشان می دهد.علیرغم تلاش برای کاهش مثبت و منفی کاذب ، حملات قابل توجه همچنان ادامه دارد و نیاز به راه حل های پیشرفته را برجسته می کند.مدل های یادگیری ماشین (ML) نوید را در تقویت NID ها نشان می دهند.این مطالعه از مجموعه داده Ugransome برای آموزش مدل های مختلف ML برای تشخیص حملات روز صفر و باج افزار استفاده می کند.این یافته نشان می دهد که طبقه بندی کننده جنگل تصادفی (RFC) ، XGBoost و روش های گروهی در دقت ، دقت ، فراخوان و نمره F1 به نمرات کاملی دست یافتند.در مقابل ، مدل های وکتور پشتیبانی (SVM) و مدل های ساده لوح (NB) عملکرد ضعیفی دارند.مقایسه با مطالعات دیگر نشان می دهد درختان تصمیم گیری و روشهای گروهی با دقت در حدود 99.4 ٪ و 97.7 ٪.تحقیقات آینده باید تکنیک های نمونه برداری بیش از حد اقلیت مصنوعی (SMOTES) و مجموعه داده های متنوع یا همه کاره را برای بهبود شناخت در زمان واقعی حملات روز صفر و باج افزار مورد بررسی قرار دهد.