ارائه مدلي براي تشخيص نفوذ بر مبناي يادگيري عميق در اينترنت اشياء

Presenting a model for intrusion detection based on deep learning in the Internet of Things

در عصر تكنولوژي اطلاعات،‌ امنيت سايبري در اينترنت اشيا (IoT) از اهميت بالايي برخوردار است. اينترنت اشيا (IoT) توانايي برقراري ارتباط دستگاه‌ها با يكديگر از طريق اينترنت يا شبكه‌هاي ديگر، رديابي اطلاعات از راه دور براي ارائه بازخورد براي كمك به تصميم‌گيري براي مقاصد تجاري، صنعتي و مسكوني است .تشخيص نفوذ در اينترنت اشيا، واضح است كه مقياس تأثير حملات انجام شده بر روي شبكه‌هاي IoT مي‌تواند بسيار متفاوت باشد. به عنوان مثال ، يك حمله نسبتاً ساده مي‌تواند خسارت قابل توجهي نداشته باشد ، اما اگر‌ حمله بر روي وسيله اي با اهميت مانند فرمان يك اتومبيل هوشمند انجام شود ، مي‌تواند تلفات جاني براي انسانها به همراه داشته باشد. در نتيجه ، بديهي است كه بين نيازهاي امنيتي و قابليتهاي امنيتي دستگاههاي IoT كه در حال حاضر موجود است ، شكاف بزرگي وجود دارد. محافظت از شبكه IoT در برابر حملات از طريق برنامه ريزي و به كارگيري كنترل‌هاي امنيتي مؤثر ، تحقق يافتني است. يكي از اين كنترل‌ها،‌ سيستم تشخيص نفوذ (IDS) است. سيستم تشخيص نفوذ،‌ رفتار گره‌ها را بررسي كرده و هرگونه ناهنجاري در ترافيك شبكه را شناسايي كند. مدل پيشنهادي از پنج مرحله راه اندازي شبكه‌هاي حسگر، تشكيل خوشه علاوه بر انتخاب سر خوشه، اتصال، تشخيص حمله، و كارگزار داده تشكيل شده است. كه براي تشخيص نفوذ، عملكرد بهتري نسبت به شبكه عصبي يادگيري عميق موجود و شبكه عصبي مصنوعي داشت. نتايج تجربي، نتيجه بهتري از دقت ۹۶.۱۲ % نسبت به الگوريتم هاي غالب نشان داد.