یک رویکرد سیستم تشخیص نفوذ متمرکز بر اینترنت اشیا بر اساس ویژگیهای پیش پردازش با شبکه عصبی عمیق و الگوریتم بهینه سازی آموزش گروهی

افزایش روز افزون دستگاه های متصل به شبکه اینترنت اشیا باعث شد تا تهدیدات و خطرات احتمالی در این نوع شبکه ها بیش از هرچیز مورد توجه قرار گیرد. وجود خطرات و تهدیدات مختلف در فضای شیکه اینترنت اشیاء باعث شد راهکارهای متنوعی جهت تامین امنیت این شبکه ها مانند حفاظت از داده ها، رمز نگاری، مخابرات امن، سنسور ها و الگوریتم های رمزنگاری ارائه گردد. یکی از حوزه هایی که میتواند در مبحث تامین اینترنت اشیاء بسیار مورد توجه قرار گیرد استفاده از مفاهیم و الگوریتم های یادگیری ماشین است. بنابراین، تشخیص ناسازگاری و حملات در یک شبکه کامپیوتری و توسعه سیستم تشخیص نفوذ نقش بالقوه ای را برای امنیت سایبری انجام میدهد. هوش مصنوعی، به ویژه تکنیک های یادگیری ماشین، برای توسعه یک سیستم تشخیص نفوذ مورد استفاده قرار گرفته است. در این مقاله یک رویکرد سیستم تشخیص نفوذ متمرکز بر اینترنت اشیا بر اساس ویژگیهای پیش پردازش با شبکه عصبی عمیق و الگوریتم بهینه سازی آموزش گروهی ارائه شده است. در روش پیشنهادی یک شبکه عصبی کانولوشن((convolution با لایه های مختلف که از فیلترهای ۵۱۲ و ۲۵۶، اندازه کرنل های ۷،۳ و همچنین لایه های چگالی برای تشخیص نفوذ متمرکز بر اینترنت اشیا طراحی شده است. همچنین از الگوریتم بهینه سازی آموزش گروهی برای بهینه سازی پارامترهای شبکه عصبی کانولوشن پیشنهادی بهره بردیم. علاوه بر این در بحث پیش پرادزش روش های مهمی مانند روش نرمال سازی MinMax، روش استاندارد سازی داده، روش کدینگ one-hot-encoding برای افزایش دقت شبکه عصبی عمیق پیشنهادی پیشنهاد شد. در نهایت مدل پیشنهادی بر روی google colab با استفاده از کتابخانه keras پیاده سازی و شبیه سازی شد. نتایچ مدل پیشنهادی بر روی مجموعه داده NSL-KDD نشان میدهد که مدل پیشنهادی در مقایسه با CNN و سایر الگوریتم ها نتایجبهتری بدست آورده است

کلیدواژه ها:

اینترنت اشیاء ، تشخیص نفوذ ، الگوریتم های یادگیری ماشین