مدلی توزیع شده مبتنی بر بستر اسپارک جهت تشخیص نفوذ در شبکه با استفاده از تحلیل داده های بزرگ

اینترنت اشیاء ( IOT ) پارادیم پیچیده ای است که در آن می توان میلیون ها دستگاه را به یک شبکه متصل کرد. با این حال، حقیقت وجودی IOT آمیخته با این واقعیت است که در برابر حملات بی شمار سایبری بسیار آسیب پذیر است. این مشکلات نیاز جدی به توسعه یک راه حل هوشمند که سبک بوده، در محیط های توزیع شده قابل پیاده سازی است و دوام طولانی تری از خدمات را امکان پذیر می سازد را بر می انگیزد. امروزه تئوری های هوش مصنوعی همانند یادگیری ماشین و یادگیری عمیق، توان و قدرت خود را در روبرو شدن با مسائلی که در آن حجم هنگفتی از داده ها با اندازه های مختلف وجود دارد، به اثبات رسانده اند. این مقاله از مفاهیم یادگیری عمیق برای ارائه یک راه حل توزیع شده امن با دوام آوری بالا و مختص به شبکه های اینترنت اشیاء استفاده کرده ایم. از الگوهای یادگیری ماشین و یادگیری عمیق را در امنیت سایبری مورد بررسی قرار داده ایم. ما شبکه های عصبی بازگشتی و کانولوشنی عمیق از نوع حافظه بلند کوتاه مدت ( LSTM ) را روی یک مجموعه داده شناخته شده تشخیص نفوذ برای هر لایه از معماری پیشنهاد شده مورد بررسی و ارزیابی قرار داده ایم.

کلیدواژه ها:

اینترنت اشیاء ، تشخیص نفوذ ، اسپارک ، یادگیری ماشین ، یادگیری عمیق