ارائه يك روش تشخيص نفوذ در اينترنت اشيا با بهره‌گيري از كدگذارهاي عميق براي تقويت داده‌ها

سيستم‌هاي تشخيص نفوذ مبتني بر يادگيري ماشين داراي قابليت‌هاي بالايي در تشخيص خطرات احتمالي هستند. با اين وجود شناسايي حملات در شبكه هاي بزرگ IoT چالش‌برانگيز است و مي تواند موجب عملكرد ناموفق در مدل تشخيص شود، به‌خصوص زماني كه نمونه‌هاي كافي براي برخي از حملات وجود ندارد. در اين راستا، اين مقاله از تركيب روش‌هاي يادگيري عميق و اصول آماري براي حل مسئله تشخيص حملاتي كه نمونه‌هاي كمي در دسته هاي آموزش الگوريتم دارند، استفاده مي‌نمايد و يك رويكرد تشخيص حملات براي محيط IoT ارائه مي‌دهد. اين روش بر مبناي كدگذار خودكار شرطيِ بهبود يافته ساخته شده است. روش پيشنهادي از معماري شبكه GAN، براي توليد داده مصنوعي، از طريق توزيع احتمال خروجي، كدگذار بهره مي‌برد. مدل براي تخمين توزيع پسين نمونه‌هاي مختلف، به نحوي كه توزيع نمونه‌هايِ هم‌گروه به يكديگر نزديك و متمركز شوند، آموزش مي‌بيند. سپس توزيع‌هاي نمونه‌هاي مختلف از كلاس‌ها در فضاي پنهان ايجاد مي‌گردند. در فضاي پنهان مدل، متغيرهاي پنهان، براساس مرزِ كلاس به طور تطبيقي توليد مي‌شوند. براساس داده‌هاي مرز كلاس، كدگذار اقدام به توليد داده‌هاي مصنوعي كرده تا تعادل مجموعه داده را ايجاد نمايد، نمونه‌هاي اصلي با نمونه‌هاي توليدي تركيب شده تا فرايند آموزش مدل و توانايي كلي آن در تشخيص نفوذ، بهبود يابد.