تشخیص نفوذ در شبکه های اینترنت اشیا-رایانش ابری در سطح رایانش مه و لبه مبتنی بر یادگیری فدراسیونی تقویتی

با افزاییش تقاضا برای خدمات ارائه شده توسط شبکه هاء در دسترس بودن، محرمانه بودن و یکیارچگی اطلاعات مهم به طور فزاینده ای در معرض خطر سوء استفاده قرار گرفته است. سیستم های فایروال به دلیل عدم توانایی در محافظت از شسبکه ها در برابر نفوذگران با استفاده از پورت های باز, به تنهایی از دسترسی اخواسته به این اطلاعات مهم محافظت کافی نمی کنند. سیستم تشخیص نفود یکی از زیرساخت های امنیتی سیستم است که با رصد و تجزیه و تحلیل وقایع رخ داده در شبکه ها و رایانه ها می تواند فعالیت های مخربی مانند حملات DoSو DDoS را شناسایی کند. به طور کلی، سیستم های تشخیص نفوذ را می توان با استفاده از دو روش تشخیص مبتنی بر قاعده و تشخیص مبتنی بر ناهنجاری پیاده سازی کرد. اکثر محققانی که این مسائل را مطالعه می کردند، با استفاده از روش های مختلف مانند شبکه های عصبی, منطق فازی و یادگیری ماشینی بر دقت حملات تشخیص تمرکز داشتند، بنابراین توجه کمتری به زمان پردازش لازم برای شناسایی حملات داشته اند. با این حال، سرعت پردازش اهمیت بیشتری پیدا می کند که به دلیل افزایش ترافیک شبکه و نیاز به دستیابی به هدف سیستم های تشخیص نفوذ به عنوان سیستم های زمان واقعی است. در این تحقیق به ارائه یک رویکرد بهینه مبتنی بر ترکیب یادگیری عمیق و یادگیری نقویتی با هدف بهبود سیستم تشخیص نفود در شبکه اینترنت اشیا-فدراسیون ابری در سطح رایانش مه و لبه پرداخته شده است.

کلیدواژه ها:

اینترنت اشیا ، فدراسیون ابری ، رایانش مه و لبه ، یادگیری عمیق ، یادگیری تقویتی