تشخیص حملات در اینترنت اشیا با استفاده از شبکه های متخاصم و lstm

در عصر تکنولوژی اطلاعات، امنیت سایبری در اینترنت اشیا از اهمیت بالایی برخوردار است. اینترنت اشیا به دو دلیل اساسی در معرض تهدیدهای سایبری قرار دارد. لذا، تشخیص نفوذ در اینترنت اشیاواضح است که مقیاس تاثیر حملات انجام شده بر روی شبکه های IoT می تواند بسیار متفاوت باشد. در نتیجه، بدیهی است که بین نیازهای امنیتی و قابلیتهای امنیتی دستگاه های IoT که در حال حاضر موجود است ، شکاف بزرگی وجود دارد. علیرغم اهمیت این موضوع، در تحقیقات گذشته، چندین روش تشخیص نفوذ در اینترنت اشیا، پیشنهاد شده است. این رویکردها، عموما برای یک حمله مشخص طراحی شده اند اما شبکه همچنان در برابر سایر حملات آسیب پذیر است.مطالعه ادبیات نشان داد که در روش های پیشنهادی، دقت کلی ممکن است بالا باشد، اما دقت تشخیص هر کلاس در طبقه بندی چند کلاسه پایین است. بنابراین، نیاز به حل مشکل عدم تعادل کلاس ها و بهبود دقت هر کلاس با افزایش نمونه کلاس های دارای نمونه های کوچکتر وجود دارد. اول، استفاده از تکنیک GAN را برای تولید داده های مصنوعی برای کلاس های اقلیت پیشنهاد می شود. دوم، یک روش مبتنی بر LSTM اعمال شده است که در آن یکی از دو ویژگی بسیار مرتبط را حذف کردیم تا زمان اجرای آموزش مدل یادگیری عمیق را کاهش دهیم و در عین حال به دقت مدل بالاتری دست یابیم.

کلیدواژه ها:

اینترنت اشیا ، طبقه بندی چندکلاسه ، مدل یادگیری عمیق