نظریه بازی‌های تکاملی برای دفاع در برابر هوش مصنوعی مخاصم در امنیت سایبری

چکیده مقاله

در این پژوهش، چارچوبی مبتنی بر نظریه بازی‌های تکاملی (Evolutionary Game Theory - EGT) برای دفاع در برابر حملات سایبری مبتنی بر هوش مصنوعی خصمانه (Adversarial AI) ارائه شده است. در مدل پیشنهادی، جمعیت‌های مهاجم و مدافع با استفاده از دینامیک تکثیر (Replicator Dynamics) تکامل یافته و استراتژی‌های بهینه را در طول زمان کشف می‌کنند. مهاجمان از دو دسته حمله شامل حملات تغییر شکل (Evasion/Perturbation) و مسموم‌سازی (Poisoning) استفاده می‌کنند و مدافعان نیز با سه استراتژی تنظیم تطبیقی سیستم تشخیص نفوذ (IDS)، استقرار Honeypot و تغییر پویای توپولوژی شبکه به مقابله می‌پردازند. نتایج شبیه‌سازی در افق 2۰۰ تکرار نشان می‌دهد که مدافعان به یک استراتژی تکاملی پایدار (Evolutionarily Stable Strategy - ESS) همگرا شده و نرخ تشخیص حملات خصمانه به بیش از ۸۵ ٪ می‌رسد. همچنین تاب‌آوری سیستم در مقایسه با دفاع‌های ایستا و غیرتطبیقی به ترتیب 3۰ ٪ و ۴۵ ٪ بهبود می‌یابد. یافته‌ها نشان می‌دهد که چارچوب پیشنهادی می‌تواند پایهای برای طراحی سیستم‌های دفاعی هوشمند و مقاوم در برابر حملات Adversarial Machine Learning فراهم آورد.