ارائه يك سيستم تركيبي تشخيص نفوذ مبتني بر يادگيري عميق براي شبكه هاي اينترنت اشيا

اينترنت اشيا به عنوان يك فناوري شبكه جديد شامل مجموعه اي از تجهيزات فيزيكي مانند قطعات الكترونيكي، نرم افزار و حسگر مي باشد. باتوجه به توسعه اينترنت اشيا در صنايع مختلف منجر شده است كه حجم انبوهي از داده توليد شود و با تنوع و هوشمندي كه در رفتارهاي حمله سايبري رخ داده است سيستم هاي تشخيص نفوذ سنتي ديگر براي مواجهه با حجم انبوهي از داده ها مناسب نيستند. يادگيري عميق زمان قابل توجه اي را براي پردازش داده هاي با ابعاد بالا صرفه جويي كرده است. مدل پيشنهادي تركيبي از معماري شبكه باقيمانده(Resnet) ، حافظه كوتاه مدت دو جهته(Bilstm) براي استخراج ويژگي هاي مكاني و زماني ترافيك شبكه و تركيب شبكه عصبي كانولووشنال(CNN) و تحليل مؤلفه اصلي هسته‌اي(kpca) براي استخراج ويژگي هاي حمله و شناسايي و طبقه بندي حملات درنظر ميگيرد. همچنين از معماري شبكه باقيمانده(Resnet) براي استخراج ويژگي فضايي و از حافظه كوتاه مدت دو جهته (Bilstm) براي استخراج ويژگي زماني بكار رفته است كه بتواند به صورت موازي اين ويژگي ها را استخراج كند و شبكه عصبي كانولووشنال (CNN) براي انجام شناسايي و طبقه بندي حمله در نظر گرفته شده است. در نهايت با استفاده از ويژگي هاي استخراج شده امكان تشخيص، طبقه بندي حملات در حجم انبوهي از داده ها ممكن ميشود.