تشخیص تهدیدهای امنیت سایبری در اینترنت اشیاء با استفاده از رویکرد یادگیری عمیق

اینترنت اشیاء IoT سیستم ها، اپلیکیشن ها، منبع ذخیره داد هها و خدماتی را به یکدیگر متصل می کند که ممکن است دروازهجدیدی برای حملات سایبری باشند زیرا آنها به طور مداوم خدماتی در سازمان ارائه می کنند. در حال حاضر حملات سرقتنرم افزار و بدافزار ریسک بالایی از بخطراندازی امنیت اینترنت اشیاء دارند. این تهدیدها ممکن است اطلاعات مهم را سرقت کنندکه متعاقبا منجر به زیان های اقتصادی و تخریب شهرت شوند. ما در این مقاله یک رویکرد یادگیری عمیق ترکیبی پیشنهادکرده ایم تا سخت افزار سرقت شده و فایل های آلوده به بدافزار را در شبکه اینترنت اشیاء تشخیص دهیم. شبکه عصبی عمیقTensorFlow برای شناسایی نرم افزار سرقت شده با استفاده از سرقت کد منبع پیشنهاد می شود. روش های توکن سازی و اندازه گیریویژگی برای فیلتر داده های پرت و همچنین برای تاکید بر اهمیت هر توکن از لحاظ سرقت کد منبع بکار می روند. از این رورویکرد یادگیری عیمق برای تشخیص سرقت کد منبع بکار می رود. مجموع هداده از Google Code Jam (GCJ) جمع آوریمی شود تا سرقت نرم افزار بررسی شود. علاوه بر این، شبکه عصبی پیچشی عمیق برای تشخیص ریسک های مشکوک در شبکهاینترنت اشیاء از طریق نمایش تصویر رنگی بکار می رود. نمونه های بدافزار از مجموعه داده Maling جهت آزمایش به دستمی آیند. نتایج آزمایشی نشان می دهند که عملکرد طبقه بندی راه حل پیشنهادی برای اندازه گیری تهدیدهای امنیت سایبری دراینترنت اشیاء بهتر از روش های مدرن است.

کلیدواژه ها:

اینترنت اشیاء ، داده کاوی ، امنیت سایبری ، سرقت نرم افزار ، تشخیص بدافزار.