| تشخیص ناهنجاری و حملات در دادههای کلان IoT با استفاده از یادگیری عمیق |
| کد مقاله : 1319-NAEC |
| نویسندگان |
|
علی کاویانی *1، حسین صابری2 1دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز دانشگاه جامع امام حسین(ع) 2استاد یار دانشگاه جامع امام حسین(ع) |
| چکیده مقاله |
| با رشد سریع اینترنت اشیا (IoT)، سامانههای مبتنی بر حسگرها و دستگاههای متصل به شبکه به یکی از زیرساختهای حیاتی در حوزههایی نظیر شهرهای هوشمند، صنعت و سلامت تبدیل شدهاند. در عین حال، این سامانهها به دلیل محدودیت منابع، ناهمگنی و اتصال دائمی به شبکه، در معرض طیف گستردهای از حملات سایبری قرار دارند. روشهای کلاسیک تشخیص نفوذ که مبتنی بر امضا یا قواعد از پیش تعریفشده هستند، توانایی شناسایی حملات جدید و الگوهای پیچیده رفتاری را ندارند. در این مقاله، یک چارچوب مبتنی بر یادگیری عمیق برای تشخیص ناهنجاری و حملات در دادههای کلان IoT ارائه میشود. روش پیشنهادی از ترکیب شبکههای خودرمزگذار (Autoencoder) برای یادگیری منیفولد دادههای نرمال و شبکههای LSTM برای مدلسازی وابستگیهای زمانی استفاده میکند. ناهنجاریها بر اساس خطای بازسازی فضایی و زمانی شناسایی میشوند. نتایج تجربی نشان میدهد که این چارچوب قادر است انواع حملات IoT را با دقت بالا و نرخ هشدار کاذب پایین شناسایی کند و عملکرد بهتری نسبت به روشهای کلاسیک ارائه دهد. |
| کلیدواژه ها |
| اینترنت اشیا، تشخیص ناهنجاری، امنیت سایبری، یادگیری عمیق، Autoencoder |
| وضعیت: پذیرفته شده |
