مروری بر شبکه‌های GAN و کاربرد آنها در امنیت سایبر

چکیده: این مقاله با بحث در مورد قدرت GAN در مقایسه با سایر مدل‌های تولیدی، نحوه کار GANها و برخی از مشکلات قابل‌توجه در آموزش، تنظیم و ارزیابی GANها، به طور مفصل به بررسی شبکه‌های GAN می‌پردازد. این مقاله همچنین به طور خلاصه به بررسی معماری‌های GAN قابل‌توجه مانند شبکه کلی کانولوشنی عمیق (‏DCGAN)‏، و وسرشتاین گان، با هدف نشان دادن این که چگونه مشخصات طراحی در این معماری‌های به حل برخی از مشکلات مدل اصلی GAN کمک می‌کند، می‌پردازد. همه اینها با دیدگاه بحث در مورد کاربرد GANها در مطالعات امنیت سایبر انجام می‌شود. در اینجا، این مقاله مطالعات قابل‌توجه امنیت الکترونیکی را بررسی می‌کند که در آن GAN نقش کلیدی در طراحی سیستم امنیتی یا سیستم خصمانه ایفا می‌کند. به طور کلی، از این بررسی، می توان دو رویکرد عمده را مشاهده کرد که این مطالعات امنیت سایبر از آن پیروی می‌کنند. در رویکرد اول، از GAN برای بهبود تعمیم به حملات خصمانه پیش‌بینی‌نشده استفاده می‌شود، با تولید نمونه‌های جدیدی که شبیه به داده‌های خصمانه است که می‌تواند به عنوان داده‌های آموزشی برای دیگر مدل‌های یادگیری ماشین عمل کند. در رویکرد دوم، GAN بر روی داده‌هایی آموزش داده می‌شود که حاوی ویژگی‌های مجاز با هدف تولید داده‌های خصمانه واقعی است که می‌تواند یک سیستم امنیتی را فریب دهد. این دو رویکرد در حال حاضر حوزه مطالعات امنیت سایبر مدرن را با شبکه‌های خصمانه هدایت می‌کنند. ​

کلمات کلیدی: امنیت سایبری، یادگیری عمیق، شبکه‌های زایشی خصمانه

مقدمه

شبکه‌های عصبی عمیق براساس معماری پرسپترون چند لایه با افزایش تعداد لایه‌های پنهان بین لایه ورودی و خروجی ساخته می‌شوند. با بهبود تکنیک‌های بهینه‌سازی مدرن و تکنیک‌های تنظیم (‏کینگما و بای ۲۰۱۴)‏، شبکه‌های عصبی عمیق قادر به یادگیری نمایش داده‌های بزرگ و پیچیده هستند. معماری‌های یادگیری بدون نظارت شامل ماشین بولتزمن، نقشه‌های خود سازمان دهی و رمزکننده‌های خودکار است.

یک کلاس مهم از شبکه‌های عصبی عمیق مدل‌های مولد هستند (‏گودیر ۲۰۱۶)‏. یک کلاس مهم از شبکه‌های عصبی عمیق مدل‌های مولد هستند (‏گودفلو ۲۰۱۶)‏. با توجه به یک نمونه آموزش اصلی، هدف از مدل مولد یادگیری تابع چگالی است که داده‌های نمونه اصلی را توصیف می‌کند و سپس از این تراکم برآورد شده برای تولید داده‌های واقعی و در عین حال واقعی، مشابه نمونه اصلی استفاده می‌کند (‏گودفلو ۲۰۱۶)‏. از نظر معماری و مشخصات طراحی، این مدل‌های تولیدی بسیار شبیه به مدل‌های ذکر شده قبلی در کلاس نظارت شده و بدون نظارت هستند. برای بیشتر مدل‌های تولیدی، این یک اصلاح شهودی برای تابع هزینه مورد استفاده برای آموزش و الگوریتم آموزشی است که به این مدل‌ها توانایی‌های تولیدی آن‌ها را می‌دهد. ​

شبکه‌های زایشی خصمانه (‏GANs)‏نوعی مدل مولد عمیق هستند که به طور مستقیم یک تابع چگالی را بر روی یک توزیع داده با استفاده از تکنیک‌های آموزش جایگزین تخمین می‌زنند. ایده اصلی یک GAN آموزش دو شبکه رقیب، یک ژنراتور و یک تفکیک‌کننده، به شکل بازی مینیماکس است. هدف ژنراتور ایجاد تصاویر واقعی است که بتواند تفکیک‌کننده را فریب دهد، در حالی که تفکیک‌کننده سعی می‌کند تصاویر تولید شده (‏تولید شده توسط شبکه ژنراتور)‏را جعلی طبقه‌بندی کند و تصاویر واقعی را از نمونه اصلی به صورت واقعی طبقه‌بندی کند (‏گودفلو و همکاران ۲۰۱۴ a، b)‏. این بازی مینیماکس یک روش جایگزین و شهودی برای برآورد تابع چگالی تصاویر نمونه اصلی است (‏گودیر ۲۰۱۶)‏. ​این بازی مینیماکس یک روش جایگزین و شهودی برای برآورد تابع چگالی تصاویر نمونه اصلی است (‏گودفلو ۲۰۱۶)‏. ​

در اصل GANها در وظایف نسل واقع گرای مدرن مانند پیش‌بینی فریم های ویدیویی (‏لوتر و همکاران ۲۰۱۶)‏، بهبود وضوح تصویر (‏لدیگ و همکاران ۲۰۱۶)‏، دستکاری تصویر تولیدی (‏ژو و همکاران ۲۰۱۶) ‏و تصویر به ترجمه متن (‏ایزولا و همکاران ۲۰۱۷) ‏مورد استفاده قرار گرفته‌اند. در تمام این کاربردها و بسیاری دیگر که ذکر نشده اند، GANها ثابت کرده‌اند که حالت هنر تولید تصاویر تیز و واقع گرایانه است. در این مقاله، ما یک کاربرد مهم و در عین حال نسبتا جدید GANها در فضای امنیت سایبر را بررسی می‌کنیم. در نهایت، بازبینی دو حوزه مهم را پوشش می‌دهد:

• مطالعاتی که GANها در آن‌ها برای تقویت سیستم امنیت سایبری استفاده شده‌است.
• مطالعاتی که GANها در آن‌ها در حملات خصمانه به سیستم امنیت الکترونیکی استفاده شده‌است. ​

امنیت سایبری یک اصطلاح گسترده است که معمولا شامل مطالعه و طراحی پروتکل‌های امنیتی است که از سیستم‌های دیجیتال متصل به اینترنت محافظت می‌کند. در این بررسی باید به مطالعاتی توجه کنیم که بر امنیت سیستمی که از حملات خصمانه با استفاده از یک GAN یا حمله با استفاده از یک GAN محافظت می‌شود، تمرکز دارند. اصطلاح جامع «امنیت سایبری» به این دلیل مورد استفاده قرار می‌گیرد که در دنیای امروز، تقریبا هر سیستم دیجیتال را می توان از طریق اینترنت در دسترس قرار داد و بنابراین به سیاست‌های امنیتی سایبر نیاز خواهد داشت. ​

بخش ۲ این مقاله مروری مفصل بر مدل‌سازی زایشی ارایه می‌دهد و با مروری بر شبکه‌های خصمانه زایشی پایان می‌یابد. در بخش. در بخش ۳، بررسی دو رویکرد برای GAN در قالب کاربردهایی شامل تقویت یک سیستم امنیتی یا ارایه حملات خصمانه به یک سیستم امنیتی ارایه شده‌است. بخش‌های ۴ و ۵ این بررسی را به نتیجه می‌رسانند. ​

این متن ترجمه‌ای خودکار از چکیده و مقدمه مقاله A review of generative adversarial networks and its application in cybersecurity چاپ‌شده در مجله Artificial Intelligence Review می باشد.
برای مطالعه کامل این مقاله به همراه ترجمه‌ به این لینک مراجعه فرمایید.​