https://ecdj.ihu.ac.ir/ پدافند الکترونیکی و سایبری fa daily 1 Mon, 22 Dec 2025 00:00:00 +0330 Mon, 22 Dec 2025 00:00:00 +0330 https://ecdj.ihu.ac.ir/article_210036.html افزایش تعداد دستگاه‌های اینترنت اشیا، سرعت‌بالا و حجم زیاد اطلاعات تولیدشده، باعث شده است که مسئله امنیت شبکه‌های اینترنت اشیا و شناسایی حملات سایبری در این شبکه‌ها، به یکی از چالش‌های مهم در این حوزه تبدیل شود. سامانه‌های تشخیص نفوذ به‌عنوان یکی از راهکارهای ارائه‌شده برای مقابله با این مشکل است. انتخاب صحیح ویژگی‌ها در ایجاد مدل‌های تشخیص نفوذ می‌تواند باعث افزایش چشمگیری در دقت تشخیص شود. در این مقاله الگوریتم دودویی و بهبودیافته شامپانزه‌ها برای انتخاب ویژگی طراحی‌شده است. الگوریتم شامپانزه برای حل مسائل پیوسته است و در حل مسائل دودویی نمی‌تواند کارآمد باشد. همچنین دارای مشکل افتادن در دام محلی است و اکتشاف و بهره‌وری و همگرایی در این الگوریتم کند است. بنابراین نیاز است تغییراتی در این الگوریتم برای حل مسائل دودویی انجام شود. ازاین‌رو در این مقاله یک نسخه بهبودیافته شامپانزه برای مسائل گسسته و انتخاب ویژگی و رفع موارد ذکرشده، در تشخیص نفوذ و حملات مبتنی بر شبکه‌های اینترنت اشیا طراحی و پیاده‌سازی شده است. روش پیشنهادی به‌طور میانگین 60 درصد ویژگی‌ها را کاهش داده و به ترتیب با دقت‌های3/99 ،6/99 و9/99درصد در مجموعه داده‌های ToN-IoT، UNSW-NB15 و IoTID20 ، موفق به تشخیص حملات شده است و به‌طور چشمگیری باعث کاهش نرخ هشدار کاذب حملات شده است. تحلیل آماری آزمون کراس کال واریس نشان داد که روش پیشنهادی نسبت به روش‌های مورد مقایسه با سرعت بیشتری همگرا می‌شود https://ecdj.ihu.ac.ir/article_210372.html تشخیص ناهنجاری در داده‌های سری زمانی چند متغیره برای کاربردهای زیادی ازجمله صنعت، پزشکی و مدیریت شهری اهمیت زیادی دارد. برای این‌که یک روش بتواند نقاط و رویدادهای ناهنجار را به‌سرعت و با دقت مشخص کند، با چالش‌های بزرگی مانند عدم وجود برچسب‌های ناهنجاری، پیچیدگی روابط(وابستگی) زمانی و مکانی داده‌ها، ابعاد بالا و سرعت موردنیاز در کاربردهای مدرن روبرو است. علیرغم پیشرفت‌های اخیر روش‌های یادگیری عمیق برای تشخیص ناهنجاری، تنها تعداد کمی از آن‌ها می‌توانند همه این چالش‌ها را برطرف کنند. در این مقاله از رمزگذار ترانسفورمر مبتنی بر توجه برای مدل‌سازی پیچیدگی زمانی و مکانی داده‌های با ابعاد بالا در کمترین زمان ممکن استفاده می‌شود. این مدل با یادگیری خود نظارت آموزش داده می‌شود تا به برچسب ناهنجاری‌ها نیازی نباشد. همچنین تابع امتیاز ناهنجاری مناسبی برای جلوگیری از تشخیص اشتباه ناهنجاری معرفی‌شده است. آزمایش‌های گسترده‌ بر روی 28 سرور مستقل مجموعه داده‌ی SMD، تأیید می‌کند که روش ارائه‌شده از اکثر روش‌های پایه پیشرفته کنونی در تشخیص ناهنجاری مخصوصاً رویدادهای ناهنجار عملکرد بهتری دارد، به‌طور خاص میانگین امتیاز F ترکیبی 5 درصد بهبودیافته است و زمان آموزش 15 درصد کاهش می‌یابد. https://ecdj.ihu.ac.ir/article_210386.html تحلیل داده‌های شبکه‌های اجتماعی برخط یکی از چالش‌های علمی مورد توجه در عصر حاضر است. در زمینه تحلیل نظرات کاربران در این شبکه‌ها، حداکثرسازی پویایی نظرات به‌عنوان یک حوزه پژوهشی جدید مطرح شده است. تحقیقات پیشین در این حوزه عمدتاً فرض کرده‌اند که نظرات گره‌ها ثابت و بدون تغییر هستند. همچنین، کمتر به تغییرات زمانی نظرات کاربران پرداخته شده است. در این مقاله، با درنظر گرفتن پویایی نظرات و تغییرات آن در طول زمان، روشی برای مسئله حداکثرسازی پویایی نظرات بر اساس الگوریتم ژنتیک حریصانه پیشنهاد شده است. این روش شامل دو بخش اصلی است. مدل پویایی نظرات فعال‌شده و فرایند انتخاب گره‌های دانه. مدل پویایی نظرات فعال‌شده با استفاده از ترکیب مدل انتشار آستانه خطی و یادگیری Q بدون حالت طراحی شده است که تغییرات زمانی نظرات را در نظر می‌گیرد. برای انتخاب گره‌های دانه، الگوریتم ژنتیک حریصانه به‌کار گرفته شده است. پس از تعیین گره اولیه یا دانه، مدل پویایی نظرات فعال‌شده آغاز می‌شود. در این مرحله، گره اولیه و همسایگان آن براساس مدل انتشار آستانه خطی فعال‌سازی می‌شوند. سپس با بهره‌گیری از یادگیری Q بدون حالت، نظرات گره‌ها به‌روزرسانی می‌گردند. این فرآیند به صورت تکرارشونده ادامه می‌یابد تا زمانی که شرایط خاتمه مورد نظر برآورده شوند. نتایج تجربی حاصل از آزمایش بر روی چهار مجموعه‌داده‌ی شبکه‌های اجتماعی امضاشده نشان می‌دهد که روش پیشنهادی در مقایسه با بهترین روش‌های موجود، در معیار تعداد گره‌های فعال 14 درصد و در معیار میانگین نظرات مثبت 27 درصد بهبود عملکرد داشته است. https://ecdj.ihu.ac.ir/article_210373.html ماهیت پنهان و دسترسی محدود وب‌تاریک، موجب گسترش فعالیت‌های مجرمانه بسیاری از جمله تهدیدات سایبری، فروش اسلحه، فروش مواد مخدر و فروش ابزارهای غیرقانونی شده است. ظهور مدل‌های زبانی بزرگ این امید را ایجاد نموده است که بتوان با دقت مناسبی به تحلیل مطالب موجود در وب تاریک پرداخت. در همین راستا استفاده از داده‌های انبوه سایبری موجود در وب‌تاریک برای جلوگیری از تهدیدات سایبری و آموزش مدل‌های زبانی بسیار مفید و مؤثر خواهد بود. تکنولوژی مدل‌های زبانی بزرگ برای آموزش بهتر و رسیدن به ‌دقت کافی، به داده زیاد و باکیفیت بالا نیاز دارند و این چالشی است که محققان حوزه امنیت سایبری با توجه ‌به آلوده بودن داده‌های موجود در وب‌تاریک روبرو هستند. اغلب تحقیقات در این زمینه، متمرکز بر روی تمام مشخصه‌های دادگان وب‌تاریک و داده‌های باکیفیت پایین صورت پذیرفته است و نتوانسته‌اند دقت بالایی را کسب کنند. در این پژوهش یک مدل ‌زبانی جدید بر پایه مدل زبانی پایه BERT که بر روی داده استخراج شده از وب‌تاریک آموزش‌دیده است، ارائه کردیم. مدل پیشنهادی یک مدل متنی مبتنی بر ترانسفورماتور است که از رمزگذار دوطرفه از ترانسفورماتورها برای رویکرد یادگیری استفاده می‌کند و آن را بر روی یک دادگان باکیفیت بالا، بدون داده تکراری، عاری از کلمات نامعلوم، تماماً به زبان انگلیسی و به طور مشخص بر روی داده‌های هک و امنیت ارزیابی نمودیم. در نهایت با تحلیل مقادیر ارزیابی‌شده مدل پیشنهادی با مدل‌های قبلی، مشخص شد که مدل پیشنهادی به علت تزریق داده‌های باکیفیت نسبت به مدل‌های قبلی، توانسته دقت بهتری در دسته‌بندی داده‌ها داشته باشد. https://ecdj.ihu.ac.ir/article_210294.html خودروهای هوشمند امروزی به شبکه‌های ارتباطی پیچیده متصل شده و حجم عظیمی از داده را مبادله می‌کنند. این امر منجر به افزایش مصرف انرژی در این شبکه‌ها شده است. در این پژوهش، روشی نوین برای بهینه‌سازی مصرف انرژی در شبکه‌های خودروهای هوشمند ارائه شده است. روش پیشنهادی بر پایه دو تکنیک متعادل‌سازی بار پویا طراحی شده است: نخست، تعیین آستانه‌های پویا بر اساس میانگین بار کاری ماشین‌های مجازی، دوم، پیش‌بینی بار آینده با استفاده از تحلیل رگرسیونی. نتایج شبیه‌سازی نشان می‌دهد که آستانه 10% و 20% بالاتر از میانگین بار کاری ماشین‌ها، مصرف انرژی شبکه را کاهش داده و نرخ تعادل بار را بهبود می‌بخشد. همچنین، مدل پیش‌بینی بار آینده، اختلاف میان بار پیش‌بینی‌شده و بار واقعی را تنها 5% نشان می‌دهد که بیانگر دقت بالای این روش است. این الگوریتم توانست مصرف انرژی را به طور قابل ملاحظه‌ای کاهش دهد و نرخ موفقیت مهاجرت ماشین‌های مجازی را بهبود ببخشد. این روش می‌تواند در آینده برای مدیریت بهینه منابع در شبکه‌های خودروهای هوشمند به کار گرفته شود و به کاهش هزینه‌های اجرایی و آلودگی محیط زیست کمک کند. https://ecdj.ihu.ac.ir/article_209451.html با توجه به تحولات زیاد در شبکه‌های تلفن همراه و ورود سرویس‌های مختلف، یکی از مسائل مهم بحث امنیت این نوع شبکه‌ها در برابر تهدیدات وحملات مختلف است. یکی از مکانیزم‌های امنیتی موجود در این نوع شبکه‌ها، پروتکل احراز اصالت و توافق کلید است که با بهره‌گیری از آن طرفین (مشترک و شبکه ارائه دهنده سرویس) یکدیگر را احراز اصالت و بر‌ روی‌ کلیدهای رمزنگاری مشخصی توافق می‌کنند. بنابراین بهبود امنیت و کارآیی پروتکل احراز اصالت و توافق کلید موجود در شبکه‌های تلفن همراه بسیار حائز اهمیت است. در این مقاله، ضمن شناخت و بررسی ساختار پروتکل احراز اصالت و توافق کلید متداول در شبکه‌های LTE، پروتکل احراز اصالت و توافق کلید بهبود یافته‌ای مبتنی بر رمز قالبی سبک وزن Present ارائه می‌شود. در ساختار پروتکل پیشنهادی، از رمز قالبی سبک وزن Present جهت رمز کردن و افزایش محرمانگی شناسه مشترک IMSI، تولید تابع چکیده‌ساز و تولید کد احراز اصالت پیام استفاده شده است. همچنین سطح امنیت پروتکل پیشنهادی در برابر حمله جستجوی کامل، حمله ملاقات در میانه، حمله منع خدمت و حمله افشای شناسه‌ی مشترک بررسی می‌شود. تحلیل امنیتی نشان می‌دهد که پروتکل پیشنهادی به ‌واسطه استفاده از رمزقالبی سبک وزن Present و همچنین طراحی مناسب، در برابر حملات شناخته شده امن می‌باشد. همچنین پروتکل پیشنهادی از نظر معیارهای کارآیی همچون پیچیدگی محاسباتی، سرعت و طول کلید مورد بررسی قرار می‌گیرد و نتایج نشان می‌دهند که پروتکل پیشنهادی طول کلید کوچکتر و سرعت بیشتری نسبت به پروتکل‌های مشابه دارد. https://ecdj.ihu.ac.ir/article_209273.html در سیستم‌های طیف گسترده دنباله مستقیم (DSSS) برای گسترش سیگنال از دو نوع دنباله شبه‌ نویز (PN) کد کوتاه یا کد بلند استفاده می‌شود. یکی از پارامترهای مهم در گسترده کردن سیگنال، فاکتور گسترش (SF) است. در گیرنده‌هایی که به صورت کور به استخراج محتوای سیگنال می پردازند، فاکتور گسترش مجهول است. در این مقاله به مسئله تخمین فاکتور گسترش در سیگنال‌های DSSS دارای فرکانس حامل غیر صفر پرداخته شده است. در ابتدا بر اساس روش بازه‌های زمانی هم‌پوشانی‌دار، ماتریس همبستگی داده‌ها محاسبه می‌شود. سپس با استفاده از ماتریس همبستگی، مقادیر ویژه و بردارهای ویژه محاسبه می‌شود. در نهایت با استفاده از توان دوم چگالی طیف توان بردار ویژه، مقدار فرکانس حامل غیر صفر تخمین زده می‌شود. در مرحله بعد با استفاده از روش داده‌های از دست رفته ، ماتریس کوواریانس این داده‌ها به ازای طول پنجره‌های زمانی متفاوت در تأخیرهای مختلف ساخته می‌شود. سپس با حذف قطر اصلی ماتریس‌های کوواریانس اثر نویز کاهش می‌یابد. در مرحله بعد توان دوم نرم فربنیوس ماتریس‌های کوواریانس محاسبه شده و مقدار واریانس این نرم‌ها معیار تشخیص فاکتور گسترش است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی ارائه شده در این مقاله، به ازای طول‌های مختلف SF در SNR های پایین نسبت به تخمینگر مقایسه شده دارای 3-4dB بهبود عملکرد است. https://ecdj.ihu.ac.ir/article_210662.html در عصر دیجیتال، رمز‌های عبور هم‌چنان یکی از رایج‌ترین و حیاتی‌ترین روش‌های احراز هویت در سامانه‌های اطلاعاتی به شمار می‌آیند. با این حال، انتخاب و استفاده از رمزهای عبور ضعیف و غیرایمن، هم‌چون رمزعبورهای ساده، کوتاه یا تکراری، تهدیدی جدی برای امنیت سایبری محسوب می‌شود. این پژوهش با هدف بهبود دقت در ارزیابی سطح امنیت رمز‌های عبور، چارچوبی مبتنی بر یادگیری ماشین ارائه می‌دهد. روش پیشنهادی شامل سه مرحله‌ی اصلی پیش‌پردازش، استخراج ویژگی‌های جدید و طبقه‌بندی رمز‌های عبور است. در این پژوهش، مجموعه‌ای شامل 669880 رمز‌ عبور مورد تحلیل قرار گرفته است. ابتدا در مرحله پیش‌پردازش مراحلی مانند حذف داده‌های گم‌شده، کدگذاری متن به عدد و متعادل‌سازی داده‌های کلاس‌ها با استفاده از الگوریتم SMOTE انجام شده است. بعد از اینکه داده‌ها تمیز شدند از هر رمز عبور ده ویژگی ساختاری جدید استخراج شده است. در نهایت داده‌ها به دو دسته آموزش و آزمایش تقسیم شده و دسته‌بندی سطح امنیتی رمز‌های عبور در سه کلاس ضعیف، متوسط و قوی با استفاده از الگوریتم‌های یادگیری ماشین مانند درخت تصمیم، جنگل تصادفی، XGBoost و رگرسیون لجستیک و غیره صورت گرفته است. نتایج تجربی نشان داد که الگوریتم جنگل تصادفی و روش XGBoost با معیار F1 به ترتیب با مقدار 99.665% و 99.642% درصد عملکرد برتری نسبت به سایر مدل‌ها داشته‌‌اند. دستاورد این تحقیق، ارائه مدلی کارآمد و مقیاس‌پذیر برای شناسایی نقاط ضعف رمزهای عبور و ارتقاء سیاست‌های امنیتی در سامانه‌های دیجیتال است که می‌تواند به شکل مؤثری در طراحی رمز‌های عبور مقاوم، کاهش ریسک نفوذ، و ارتقاء سطح امنیت سایبری نقش‌آفرینی کند. https://ecdj.ihu.ac.ir/article_210623.html اینترنت اشیا (IoT) با فراهم‌سازی بستری برای ارتباط خودکار بین میلیون‌ها دستگاه هوشمند، به یکی از زیرساخت‌های حیاتی دنیای مدرن دبل شده است. با افزایش چشمگیر تنوع، مقیاس و تحرک‌پذیری این دستگاه‌ها، آسیب‌پذیری‌های امنیتی نیز به‌طور فزاینده‌ای تشدید شده‌اند. به‌ویژه، تهدیدات پنهان و پیچیده‌ای که از طریق الگوهای رفتاری غیرمعمول در شبکه پدید می‌آیند، ضرورت بهره‌گیری از روش‌های پیشرفته‌ی تشخیص ناهنجاری را دوچندان نموده است. در این پژوهش، مدلی نوین با بهره‌گیری از رویکرد یادگیری گروهی ارائه گردیده که ترکیبی از تکنیک‌های یادگیری عمیق و الگوریتم‌های کلاسیک یادگیری ماشین را به کار گرفته است. پس از انجام پیش‌پردازش داده‌ها، ویژگی‌های کلیدی از طریق رمزگذار خودکار پشته‌ای (SAE) و رمزگذار خودکار عمیق (DAE) استخراج شده‌اند. در ادامه، یک چارچوب یادگیری گروهی متشکل از درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، شبکه عصبی احتمالی (PNN) و نوع وزنی آن (WPNN) برای شناسایی ناهنجاری‌ها مورد استفاده قرار گرفته است.از نوآوری‌های این تحقیق می‌توان به طراحی یک سازوکار انتخاب پویای ویژگی در لایه رمزگذار و همچنین پیشنهاد یک طرح وزندهی تطبیقی برای ترکیب خروجی مدل‌های گروهی اشاره کرد، که موجب بهبود دقت در تشخیص حملات ناشناخته و کاهش نرخ مثبت کاذب شده است. مدل پیشنهادی بر روی چندین مجموعه‌داده معتبر از جمله NSL-KDD، BoT-IoT، IoT-NI، IoT-23، MQTT، MQTTset و IoT-DS2 ارزیابی شده و نتایج بهبود عملکرد قابل‌توجهی را در مقایسه با مدل‌های مرجع نشان داده‌اند. https://ecdj.ihu.ac.ir/article_210774.html امروزه شناسایی، تعقیب و اقدام بازدارنده علیه مهاجمین سایبری، یکی از چالش‌های اصلی در حوزه امنیت و دفاع سایبری است. سازوکار‌های سنتی تشخیص حملات به دلیل رویکرد واکنشی به مسئله دفاع و نرخ بالای هشدارهای مثبت نادرست، فرایند تشخیص را پیچیده کرده است. روش‌های متعددی برای حل این چالش ارایه شده است و استفاده از تله‌های سایبری، یکی از روش‌های مؤثری است که در تشخیص هدفمند و پیش از موعد تهدیدات در حال توسعه و بهره‌برداری است. راه‌کارهای موجود تله‌های سایبری به‌دلیل ساختار منفعلانه و یک‌طرفه عمل نمودن، منجر به بازدارندگی و شناسایی منشاء وقوع حمله نمی‌گردند. در این مقاله، یک چارچوب توسعه‌یافته شبکه‌ تله ترکیبی‌ به نام دالون پیشنهاد می‌شود. دالون از طریق بخش «تله وب انفجاری»، قابلیت ضدحمله و نفوذمعکوس علیه مهاجمین به‌دام‌افتاده را فراهم می‌کند و ضمن شناسایی و تعقیب مهاجم، امکان اقدام تنبیهی که منجر به بازدارندگی سایبری می‌شود را فراهم می‌کند. دالون با طراحی تله وب‌ جعلی و شبیه‌سازی HMI سیستم کنترل صنعتی اسکادا و آلوده‌سازی آن به آسیب‌پذیری جعلی و عمدی تزریق‌کد و چندین آسیب‌پذیری دیگر پیاده‌سازی شده است. نتایج آزمایش‌ها نشان می‌دهد که دالون عملکرد موفقی در شناسایی و برخورد با سه مورد از روش‌های تهاجمی دارد و اقدام نفوذ معکوس و «ضدحمله» را با موفقیت انجام داده است. طرح پیشنهادی تله ترکیبی دالون، با قابلیت نفوذ معکوس، منجر به اتخاذ رویکرد دفاع فرافعال سایبری یعنی دفاع حین حمله می‌شود و علاوه بر کاهش فرایند مثبت غلط در تحلیل حملات، فرایند یک‌طرفه تله‌های سایبری معمول را که صرفاً دفاعی و منفعل هستند، به فرآیند دوطرفه که هجومی و بازدارنده هستند، تبدیل می‌کند. https://ecdj.ihu.ac.ir/article_210782.html امروزه، هوشمند‌سازی جنگ الکترونیک با استفاده از فناوری رادیوشناختگر می‌تواند بسیار مفید باشد. از نتایج کاربرد این فناوری، توانایی درک محیط اطراف شامل تشخیص خودکار سیگنال‌های دوست از دشمن، شناسایی تهدیدات جمینگ و عملیات انتقال به فرکانس‌های مختلف به منظور جلوگیری از حمله جمینگ می باشد. در سیستم‌های رادیوشناختگر رایج، کاربر ثانویه قبل از شروع گفتگو، با استفاده از الگوهای طیف سنجی مناسب، حضور یا عدم حضور سیگنال کاربر اولیه را تشخیص می دهد. با این حال، از چالش های این روش، کاهش گذردهی کاربر ثانویه است، زیرا هیچ ارسال داده‌ای در بازه زمانی طیف سنجی انجام نمی شود. در این مقاله، با در نظر گرفتن همکاری بین فرستنده و گیرنده ثانویه، شبکه ای شامل طیف سنجی توأم با ارسال اطلاعات مدنظر قرار گرفته است. ابتدا، سیگنال فرستنده‌ ثانویه توسط گیرنده‌ ثانویه کدگشایی می‌شود. سپس، آن را از مجموع سیگنال دریافتی کم می‌کند و در نهایت تشخیص حضور یا عدم حضور کاربر اولیه، از سیگنال باقیمانده انجام می‌شود. برخلاف روش‏های متداول، در این مقاله، حذف ناقص سیگنال و تأثیر خطاهای کدگشایی بر قابلیت اطمینان طیف سنجی ارزیابی و عبارت‌های تحلیلی برای احتمال هشدار خطا حاصل می شود. نتایج شبیه سازی نشان می دهد که ایده‌ی پیشنهادی باعث بهبود بهره وری طیفی سیستم رادیوشناختگر می شود. مقایسه روش پیشنهادی با روش متداول طیف سنجی و همچنین روش های تقسیم آنتنی، تقسیم توانی و تقسیم آنتنی توأم با برداشت انرژی، نشان می دهد که در زمان های طیف سنجی مختلف، گذردهی بیشتری نسبت به سایر روش های ذکر شده حاصل می گردد؛ لذا حداکثر گذردهی 2b/s/Hz بطور مستقل از زمان طیف سنجی قابل دستیابی است. https://ecdj.ihu.ac.ir/article_210783.html در این پژوهش، با توجه به پیچیدگی‌ و پویایی روزافزون حملات در محیط‌های اینترنت اشیاء اجتماعی (SIoT)، یک مدل ترکیبی نوین به نام خودرمزگذار پشته‌ای کرونکر عمیق فازی (Fuzzy DKSA) پیشنهاد شده است. ابتدا داده‌های خام شبکه با استفاده از نرمال‌سازی Z Score به مقیاس یکسان رسانده شدند و سپس از یک شبکه عصبی عمیق (DNN) تقویت‌شده با معیار شباهت گوور برای ادغام ویژگی‌ها بهره گرفته شد. در فاز تشخیص، ساختار شبکه کرونکر عمیق (DKN) با رمزگذار خودکار چندلایه (DSA) همراه با منطق فازی ترکیب شد تا به صورت پویا نسبت به الگوهای متفاوت حمله و شرایط متغیر شبکه واکنش نشان دهد. برای سنجش عملکرد، مجموعه‌داده‌ی N BaIoT با بیش از هفت میلیون نمونه و ده کلاس حمله متنوع مورد استفاده قرار گرفت. نتایج تجربی نشان داد که مدل پیشنهادی با بهبود همزمان دقت (۹۲٪)، معیار ) F1۹۱٪( و دقت پیش‌بینی (۹۱٪)، نسبت به روش‌های مرسوم مانند GAN، MH CNN AM، TM MLA و HAD برتری دارد. این دستاوردها تأکید می‌کنند که ادغام منطق فازی با معماری‌های عمیق می‌تواند عدم قطعیت‌‌های مرتبط با ترافیک شبکه و الگوهای حمله را به‌طور مؤثری مدیریت کند.