ارائه رویکرد هیبریدی یادگیری عمیق بر اساسCNN، LSTM و GRU برای تشخیص نفوذ در اینترنت اشیا

۲ خلاصه رشد سریع اینترنت اشیا باعث افزایش چشمگیر تعداد دستگاه های به هم مرتبط در حوزه های مختلفی مانند خانه های هوشمند، سیستم های مراقبت سلامت، اتوماسیون صنعتی و شهرهای هوشمند شده است. با این حال، این رشد تصاعدی، دستگاه های اینترنت اشیا را در معرض انواع تهدیدات سایبری از جمله دسترسی غیرمجاز، نقض داده ها و حملات مخرب قرار داده است. دلیل اصلی این امر، محدودیت ذاتی این دستگاه ها از نظر توانایی شبکه، قدرت پردازش و حافظه است. برای مقابله با این چالش های امنیتی و تضمین امنیت اکوسیستم های اینترنت اشیا، توسعه سیستم های تشخیص نفوذ کارآمد ضروری شده است. این مقاله رویکردی پیشگامانه به نام DeepLG SecNet را ارائه می کند که از ترکیبی از تکنیک های یادگیری عمیق، از جمله شبکه عصبی پیچشی، حافظه بلندمدت کوتاه مدت، شبکه امن درگاه دار برای تقویت دستگاه های اینترنت اشیا در برابر دسترسی غیرمجاز و تهدیدات بالقوه استفاده می کند. برای ارزیابی توانایی تشخیص مدل در زمینه نفوذ به اینترنت اشیا، عملکرد آن با استفاده از معیارهای کلیدی مورد سنجش قرار گرفت. مقایسه نتایج نشان دهنده کارآمدی روش پیشنهادی در تشخیص نفوذ برای محیط های اینترنت اشیا بود.

کلیدواژه های ارائه رویکرد هیبریدی یادگیری عمیق بر اساسCNN، LSTM و GRU برای تشخیص نفوذ در اینترنت اشیا:

کلمات کلیدی: اینترنت اشیاء ، سیستم تشخیص نفوذ ، امنیت سایبری ، حافظه طولانی کوتاه مدت ، واحد بازگشتی دروازه ای