بهبود دقت سیستم تشخیص نفوذ شبکه اینترنت اشیا با استفاده از شبکه های عصبی عمیق و انتخاب ویژگی معلم-دانش آموز

امروزه اینترنت بسیار سریع در حال رشد است و زندگی روزمره انسان ها را تسهیل می کند، اما اگر اقدامات امنیتی لازم انجام نشود، حریم خصوصی افراد در معرض تهدیدات بلقوه ای قرار می گیرد. برای شناسایی یا جلوگیری از حملات به شبکه در این حوزه، یک سیستم تشخیص نفوذ ممکن است مجهز به الگوریتمهای یادگیری ماشینی باشد تا بتواند به صحت بهتر و سرعت بیشتری دست یابد. تحقیقات اخیر در مورد تشخیص نفوذ و ناهنجاری، نشان دهنده رواج استفاده از الگوریتمهای یادگیری ماشین برای شناسایی ترافیک مخرب اینترنت است. شبکه عصبی قادر به یادگیری یک مدل برای نمایش توالی از ارتباطات بین رایانهها در یک شبکه است و با تحلیل و انتخاب ویژگی های درست، حملات متراکم با دقت بیشتری تشخیص داده می شوند که در نهایت باعث کاهش نرخ طبقه بندی اشتباه و افزایش دقت می شود. در این تحقیق، ابتدا از روش «معلم-دانش آموز»برای انتخاب ویژگی ها و بهترین نمایش داده ها در بعد کم استفاده می شود، سپس از شبکه عصبی مصنوعی پرسپترون چندلایه برای انجام دسته بندی و طبقه بندی برای کمینه کردن خطای تشخیص استفاده می شود. اگرچه طرح معلم-دانش آموز جدید نیست، اما از نظر دانش ما، این اولین بار است که این طرح برای انتخاب ویژگی در یک سیستم تشخیص نفوذ استفاده می شود. روش پیشنهادی می تواند برای انتخاب ویژگی بانظارت و بی نظارت استفاده شود. این روش در مجموعه داده های مختلف ارزیابی می شود و با پیشرفته ترین روش های انتخاب ویژگی موجود مقایسه می شود. نتایج نشان می دهد که روش پیشنهادی عملکرد بهتری در طبقه بندی و خوشه بندی و خطای تشخیص دارد. علاوه بر این، ارزیابی های تجربی میزان حساسیت کم به انتخاب پارامتر را در روش پیشنهادی نشان می دهد. دقت روش پیشنهادی ۹۶.۵۴% و میزان تشخیص ۹۵/۹۵% است.