تشخیص حمله سیبیل دراینترنت اشیاء مبتنی بریادگیری عمیق

حملات سایبری به اینترنت اشیا با سرعت و نگرانی در حال رشد است زیرا دستگاه ها ، برنامه ها و شبکه های ارتباطی به طور فزاینده ای به هم متصل و یکپارچه می شوند. وقتی حملات به شبکه های اینترنت اشیا برای مدت طولانی غیر قابل شناسایی باشد ، این امر بر در دسترس بودن سیستم های حیاتی برای کاربران نهایی تاثیر می گذارد ، تعداد نقض داده ها و سرقت هویت را افزایش می دهد ، هزینه را بالا میبرد و بر درآمد تاثیر می گذارد. جهت تامین امنیت و دفاع موثر، شناسایی حملات به سیستمهای اینترنت اشیاء باید در زمان واقعی نزدیک صورت بگیرد. در این مقاله، یک سیستم هوشمند شناسایی نفوذ متناسب با محیط اینترنت اشیا توسعه می دهیم. به طور خاص، از یک الگوریتم یادگیری عمیق برای شناسایی ترافیک مخرب در شبکه های اینترنت اشیا استفاده می کنیم. راه حل تشخیص، به عنوان یک سرویس امنیت را فراهم ساخته و قابلیت همکاری بین پروتکل های ارتباطی مختلف شبکه مورد استفاده در اینترنت اشیا را تسهیل می کند. با استفاده از ردیابی شبکه واقعی برای اثبات مفهوم ، و شبیه سازی جهت ارائه شواهدی از مقیاس پذیری، چارچوب تشخیص پیشنهادی خود را ارزیابی می کنیم. نتایج تجربی تایید می کند که سیستم تشخیص نفوذ پیشنهادی می تواند به طور موثر نفوذهای دنیای واقعی را تشخیص دهد.

کلیدواژه ها:

اینترنت اشیا (اینترنت اشیا) ، سیستم تشخیص نفوذ (IDS) ، امنیت ، یادگیری عمیق ، فراگیری ماشینی