CV


FA
Hamid Saadatfar

Hamid Saadatfar

Associate Professor

Faculty: Electrical and Computer Engineering

Department: Computer

Degree: Ph.D

CV
FA
Hamid Saadatfar

Associate Professor Hamid Saadatfar

Faculty: Electrical and Computer Engineering - Department: Computer Degree: Ph.D |

Dr. Hamid Saadatfar is currently an associate professor of Computer Engineering Department at University of Birjand. He has received his B.Sc., M.Sc., and Ph.D. degrees from Ferdowsi university of Mashhad in 2007, 2009 and 2014, respectively. His research interests include:

  • Parallel and Distributed Processing (Cluster, Grid and Cloud Computing),
  • Data Mining and Machine Learning,
  • Big Data Analysis (Data Mining Methods for Big Data)
  • and Power-aware Computing.

Show More

تحلیل گیم تئوریک سامانه‌های تشخیص نفوذ تطبیقی در شرایط عدم قطعیت تشخیص

Authorsحمید سعادت فر,محمد ملک رئیسی,علی اکبر کیانی
Conference Titleاولین کنفرانس ملی مرزهای هوش مصنوعی کاربردی
Holding Date of Conference2026-06-09
Event Placeبهشهر
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences
Keywordsسامانه تشخیص نفوذ, امنیت شبکه, مهاجم تطبیقی, بازی‌های تکرارشونده, یادگیری چندعامله

Abstract

با گسترش شبکه‌های کامپیوتری و افزایش پیچیدگی حملات سایبری، طراحی سامانه‌های تشخیص نفوذ (Intrusion Detection Systems – IDS) کارآمد در مواجهه با مهاجمان هوشمند (Intelligent Attacker) و تطبیقی (Adaptive) به یکی از چالش‌های اساسی امنیت شبکه تبدیل شده است. بسیاری از رویکردهای موجود، رفتار مهاجم (Attacker) را ایستا یا از پیش تعریف‌شده فرض می‌کنند و عدم قطعیت ذاتی فرآیند تشخیص، نظیر خطاهای تشخیص و هشدارهای کاذب، را به طور صریح در نظر نمی‌گیرند. این فرضیات ساده‌ساز، توانایی تحلیل پویایی واقعی تعامل بین سامانه‌های دفاعی و مهاجمان یادگیرنده را محدود می‌سازد . در این پژوهش، یک چارچوب گیم‌تئوریک مبتنی بر بازی‌های تکرارشونده برای مدل‌سازی تعامل تطبیقی بین سامانه تشخیص نفوذ و مهاجم هوشمند ارائه می‌شود. هر دو طرف به عنوان عامل‌های خودمختار با استراتژیهای حافظه یک (Memory-One Strategies) در نظر گرفته شده و فرآیند تصمیم‌گیری آنها از طریق پویایی‌های یادگیری تدریجی مدل‌سازی می‌گردد. به‌منظور افزایش واقع‌گرایی مدل، عدم قطعیت تشخیص با استفاده از نرخ کشف صحیح (TPR) و نرخ هشدار کاذب (FPR) در ساختار پرداخت امنیتی لحاظ شده است. همچنین، یک پارامتر کنترلی برای نمایش سرعت نسبی یادگیری مهاجم معرفی می‌شود که امکان بررسی تأثیر مهاجمان سریع التطبیق را فراهم می‌سازد . نتایج شبیه‌سازی‌های عددی منجر به استخراج یک نمودار فازی در فضای پارامترهای سرعت یادگیری مهاجم و توان تشخیص سامانه نفوذ شده است که وجود سه رژیم متمایز شامل غلبه مهاجم، رقابت تطبیقی و وضعیت امن را آشکار می‌سازد. تحلیل این رژیم‌ها نشان می‌دهد که افزایش سرعت یادگیری مهاجم موجب جابه‌جایی مرزهای امنیتی شده و سامانه تشخیص نفوذ برای حفظ وضعیت امن، نیازمند توان تشخیص بالاتری است. یافته‌های این پژوهش بینش‌های ارزشمندی برای طراحی و تنظیم سامانه‌های تشخیص نفوذ تطبیقی در محیط‌های شبکه‌ای پویا و خصمانه فراهم می‌آورد .

Paper URL