شناسایی و تشخیص حملات سایبری به شبکه اینترنت اشیاء با یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن یک بعدی

اینترنت اشیاء به عنوان یک نوآوری متحول کننده در عرصه ارتباطات ظاهر شده است که محصولات و ابزارهای مختلف روزمره را قادر می سازد به وب متصل شوند و دادهها را هوشمندانه مبادله کنند. این فناوری به طور بالقوه می تواند چندین صنعت را متحول کند، باعث افزایش کارایی ، بهبود تصمیم گیری و توسعه خدمات جدید شود. با این حال، در کنار مزایای آن، گسترش سریع اینترنت اشیاء به نگرانی های امنیتی فزایندهای منجر شده است . افزایش حملات اینترنت اشیا تهدیدی قابل توجه برای سازمانها و افراد است و توسعه سیستم های تشخیص نفوذ قوی برای حفاظت از شبکه های اینترنت اشیاء را ضروری می کند. پیچیدگی شبکه های اینترنت اشیا، با دستگاهها و پروتکل های ارتباطی متنوع، چالش های منحصربه فردی را برای سیستم های تشخیص نفوذ سنتی ایجاد می کند. سیستم های تشخیص نفوذ مرسوم ممکن است به دلیل فقدان دانش در مورد دستگاه های اینترنت اشیاء و آسیب پذیری های آنها، در تشخیص الگوهای حمله جدید یا پیچیده با مشکل مواجه شوند. علاوه بر این ، ارتباطات رمزگذاری شده و محصور شده در ابزارهای اینترنت اشیاء، تشخیص را پیچیدهتر می کند. علاوه بر این ، قدرت پردازش محدود دستگاههای اینترنت اشیاء مانع استقرار عوامل سیستم های تشخیص نفوذ استاندارد در این دستگاهها می شود. برای رفع این چالشها یک سیستم تشخیص نفوذ بر اساس یک روش یادگیری عمیق DCNN۱ برای تشخیص حملات ارایه شده است . آزمایشات در مجموعه داده NSL-KDD نشان می دهد بکارگیری معماری DCNN۱ نسبت به دو معماری LSTM و CNN دارای دقت بیشتری در تشخیص حملات به شبکه است .

کلیدواژه ها:

اینترنت اشیاء ، حملات به شبکه ، سیستم تشخیص نفوذ ، یادگیری عمیق