چکیده: مقابله با حملات سایبری به یک بخش بسیار مهم در استراتژی‌های امنیت سایبری نوین تبدیل شده است. در میان تمام راهکار‌های موجود برای مقابله با حملات و آسیب‌های سایبری، پیش‌بینی حملات قبل از وقوع توجه بسیاری را به خود جلب کرده است. این راهکار نوین که هم اکنون در گام‌های اولیه‌ی تحقیقاتی قرار دارد، در صورتی که در مقیاس مؤثر در دنیا‌ی واقعی پیاده شود می‌تواند از خسارات و آسیب‌های بسیاری جلو‌گیری کند. محققین در سراسر دنیا، از زوایای مختلف به بررسی روش‌های گوناگون به منظور پیش‌بینی حملات سایبری پرداخته‌اند. یکی از این روش‌ها استفاده از یادگیری عمیق است که به زعم بسیاری از محققین، امروزه امیدوارکننده‌ترین راه برای پیش‌بینی حملات سایبری و مقابله با آن‌ها هستند. به همین منظور، در این تحقیق عملکرد سه مورد از مدل‌های یادگیری عمیق (LSTM, GRU, BiGRU) بررسی شده است. این مدل‌ها به منظور پیش‌بینی حملات نفوذ به شبکه، بررسی و در ابرپارامتر‌های مختلف با یکدیگر مقایسه شده‌اند. سپس خطای پیش‌بینی حملا توسط این مدل‌ها محاسبه شده و با یکدیگر مقایسه شده است. در این تحقیق، بیان می‌شود که چگونه می‌توان داده‌هایی خام از هشدار‌های سایبری را به اطلاعاتی مفید برای آموزش شبکه‌های عصبی عمیق تبدیل کرد. همچنین ویژگی‌هایی از هشدار‌های نفوذ که برای پیش‌بینی از اهمیت بیشتری برخوردارند معرفی شده‌اند. در این تحقیق دیده شده است که به طور کلی مدل GRU عملکرد بهتری دارد. البته با توجه به محدودیت‌ها و شرایط تحقیق و همچنین بررسی و مقایسه عملکرد مدل‌ها در ابر‌پارامترهای بررسی شده، به نظر می‌رسد در صورت بهره‌مندی از دادگان وسیع‌تر و جامع‌تر، عملکرد BiGRU از رقبا پیشی می‌گیرد.