رویکرد تشخیص نفوذ مبتنی بر یادگیری عمیق -یادگیری ماشین نمونه برداری بیش از حد اقلیت مصنوعی در اینترنت اشیا صنعتی

در اینترنت اشیا صنعتی (IIoT)، که گسترش یافته از IoT در بخش های حیاتی مانند صنعت و تولید است ، امنیت و حفظ حریم خصوصی یک چالش مهم است . به منظور مقابله با این چالش ، ما یک سامانه تشخیص نفوذ هوشمند برای شناسایی حملات سایبری در شبکه های IIoT ارائه می دهیم . این مدل از تکنیک تجزیه مقدار منفرد (SVD) برای کاهش ویژگی های داده و بهبود نتایج تشخیص استفاده می کند. همچنین ، برای پیشگیری از مسائل بیش از حد و کم تناسب که می تواند به طبقه بندی ناعادلانه منجر شود، از روش نمونه برداری بیش از حد اقلیت مصنوعی (SMOS) استفاده می کنیم . ارزیابی عملکرد مدل پیشنهادی را بر روی مجموعه داده ToN_IoT انجام دادهایم که نشان می دهد که این روش منجر به کاهش مناسب در نرخ خطا و افزایش در نرخ دقت برای طبقه بندی دودویی و چندگانه شده است .

کلیدواژه ها:

اینترنت اشیا صنعتی ، تجزیه مقدار منفرد ، یادگیری عمیق ، یادگیری ماشین و سیستم تشخیص نفوذ.