یکی از چالشهای بزرگ در امنیت شبکه و طبقهبندی ترافیک رمزنگاریشده، این است که مدلهای هوش مصنوعی معمولاً مثل یک «جعبه سیاه» عمل میکنند و مشخص نیست دقیقاً بر اساس چه شواهدی تصمیم میگیرند.
محققان در مقاله جدید خود، فریمورک «Traffic-CBM» را معرفی کردهاند که این مشکل را حل میکند. به جای ترکیب کورکورانه دادهها، این مدل ترافیک را به مفاهیم قابل تفسیر (مانند آمار جریان، ویژگیهای زمانی و سطح بایت) تقسیم میکند. نتیجه؟ علاوه بر دقت بالا در طبقهبندی، حالا میتوانیم دلیل تصمیمات مدل را هم به راحتی تحلیل کنیم!
این یک قدم مهم برای افزایش شفافیت و اعتماد در ابزارهای امنیت شبکه مبتنی بر AI است. 🛡️
منبع: arXiv Computer Vision