مدل ترافیک‌محور مبتنی بر vit و gnn برای شناسایی الگوهای پیچیده حملات باج‌افزاری در فضای ابری

حملات باج‌افزاری به داده‌های رمزگذاری‌شده در محیط‌های ابری، همچنان به‌عنوان یکی از تهدیدات پرریسک امنیتی و اقتصادی مطرح هستند. در این پژوهش، چارچوبی نوین ارائه شده است که با ترکیب vision transformer (vit) و شبکه‌های عصبی گرافی (gnn)، امکان شناسایی دقیق‌تر الگوهای پیچیده ترافیک و روابط میان گره‌های ابری را فراهم می‌کند. مدل پیشنهادی با تحلیل هم‌زمان الگوهای مکانی-ویژوال از طریق vitو روابط ساختاری داده‌ها از طریق gnn، توانست دقتی معادل 99.8٪ در مرحله آموزش و 99.3٪ در مرحله آزمون به‌دست آورد. همچنین شاخص loss نیز در بازه بسیار پایین 0.0002 تا 0.0031 قرار گرفت که بیانگر پایداری مدل در فرآیند آموزش است. در مقایسه با روش‌های مرجع نوین مانند efficientnet-b7 و densenet-201، مدل پیشنهادی به‌طور میانگین بهبود 2.3٪ در دقت کلی و 1.9٪ در recall را نشان داد که بیانگراین است که مدل پیشنهادی، توانایی تمایزدهی بالاتری نسبت به حملات ناشناخته و داده‌های پرت دارد و می‌تواند به‌عنوان یک لایه دفاعی نوآورانه برای تقویت امنیت داده‌های ابری و مقابله با تهدیدات روزافزون باج‌افزاری به‌کار گرفته شود.

traffic-oriented vit–gnn model for detecting complex ransomware attack patterns in cloud environments

ransomware attacks on encrypted data in cloud environments continue to be among the most critical security and economic threats. in this study, a novel framework is proposed that integrates a vision transformer (vit) and graph neural networks (gnn) to enable more accurate detection of complex traffic patterns and inter-node relationships within the cloud. the proposed model simultaneously analyzes spatial–visual patterns through vit and structural relationships through gnn, achieving 99.8% accuracy in the training phase and 99.3% accuracy in the testing phase. moreover, the loss value remained within the very low range of 0.0002 to 0.0031, indicating the model’s stability during training. compared to state-of-the-art reference models such as efficientnet-b7 and densenet-201, the proposed model demonstrated an average improvement of 2.3% in overall accuracy and 1.9% in recall, confirming its superior capability in distinguishing unknown attacks and outlier data. therefore, the proposed framework can serve as an innovative defensive layer to enhance cloud data security and counter the growing threat of ransomware attacks.