سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

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

سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 193

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELEMECHCONF08_014

تاریخ نمایه سازی: 18 تیر 1403

چکیده مقاله 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

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

مجید سعیدی زاده نائینی

۱- دانشجو کارشناسی ارشد کامپیوتر- نرم افزار، موسسه آموزش عالی آپادانا-شیراز

سید ابراهیم دشتی

۲- دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی

مقاله فارسی "ارائه رویکرد هیبریدی یادگیری عمیق بر اساسCNN، LSTM و GRU برای تشخیص نفوذ در اینترنت اشیا" توسط مجید سعیدی زاده نائینی، ۱- دانشجو کارشناسی ارشد کامپیوتر- نرم افزار، موسسه آموزش عالی آپادانا-شیراز؛ سید ابراهیم دشتی، ۲- دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی نوشته شده و در سال 1403 پس از تایید کمیته علمی هشتمین کنفرانس ملی پژوهشهای کاربردی در مهندسی برق، مکانیک و مکاترونیک پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله کلمات کلیدی: اینترنت اشیاء، سیستم تشخیص نفوذ، امنیت سایبری، حافظه طولانی کوتاه مدت، واحد بازگشتی دروازه ای هستند. این مقاله در تاریخ 18 تیر 1403 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 193 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که 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 ... . این مقاله در دسته بندی موضوعی یادگیری عمیق طبقه بندی شده است. برای دانلود فایل کامل مقاله ارائه رویکرد هیبریدی یادگیری عمیق بر اساسCNN، LSTM و GRU برای تشخیص نفوذ در اینترنت اشیا با 13 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.