بهبود روند تشخیص نفوذ همراه با رویکرد یادگیری عمیق در اینترنت اشیا

در دنیای امروز حجم زیاد و پیچیدگی های موجود در سیستم های IOT باعث بروز بحران های امنیتی جدیدی برای صنایع بهره منداز آن شده است . بنابراین حفاظت از سیستم های اینترنت اشیا در مقابل تهدیدات و حملات پیش روی آنها امری حیاتی قلمداد میشود. اطمینان بخشی از آن را می توان توسط سیاست های اخیر یادگیری ماشین ML به طور گسترده در سیستم های تشخیص نفوذIDS تضمین نمود . برای بهبود این استراتژی ها می توان از الگوریتم های فراابتکاری پیشرفته با بهره گیری از مجموعه ای از شبکههای عصبی مکرر RNN بهره جست . از مجموعه داده های در دسترس عموم استفاده شده و در ادامه تحلیلی از بکار گیری این روشبا سایر روش های مرتبط از نظر دقت و کارایی مطرح می شود .

کلیدواژه ها:

سیستم های تشخیص نفود IDS ، یادگیری ماشین ، فراابتکاری ، شبکه عصبی