مروري بر جديدترين تكنيك هاي يادگيري عميق در امنيت اينترنت اشيا

Deep learning in IoT security

امروزه فناوري در تمامي حوزههاي زندگي بشر نفوذ كرده و رشد روزافزونـي داشـته اسـت. اينترنـت اشـيا امكـان ارتبـاط و تعامـل دستگاه هاي مختلف و همچنين مديريت دستگاه هاي موجود درشبكه از راه دور را، فراهم مينمايد اما همچنان شبكه اينترنت اشـيا در برابر نقض هاي امنيتي آسيب پذير بوده و با توجه به ماهيت پويا و توزيع شده اينترنت اشيا، طراحي يك مدل امنيتي مناسـب چـالش برانگيز است. يادگيري عميق كه شاخه اي از يادگيري ماشين مي باشد، نتايج اميدواركننده اي براي تشخيص نقض هاي امنيتـي نشـان داده است و سيستم هاي تشخيص نفوذ مبتني بر يادگيري عميق نسبت به رويكردهاي امنيتي مبتني بر ساير الگـوريتم هـاي يـادگيري ماشين دقت و كارايي بالاتري داشتهاند. اين مقاله به جمع آوري رويكردهاي اخير در زمينه امنيت اينترنت اشيا مبتني بر يادگيري عميق پرداخته و يك طبقه بندي از مزايا و محدوديت هاي راه حلهاي اخير و همچنين شرح مختصري از روش هاي مربوطه ارائه داده اسـت و ميتواند به تفكر محققان براي مطالعات آينده در اين زمينه، جهت دهد.

Today, technology has penetrated into all areas of human life and has grown day by day. The Internet of Things provides the possibility of communication and interaction of different devices as well as remote management of the devices in the network, but still the Internet of Things network is vulnerable to security breaches and designing a suitable security model is challenging due to its dynamic and distributed nature. Deep learning, which is a branch of machine learning, has shown promising results for detecting security breaches, and intrusion detection systems based on deep learning have higher accuracy and efficiency than security approaches based on other machine learning algorithms. . This article has collected the recent approaches in the field of Internet of Things security based on deep learning and has presented a classification of the advantages and limitations of the recent solutions as well as a brief description of the relevant methods. It can guide to orientate the researchers for future studies in this field.