تشخیص بدافزارها در سیستم های اینترنت اشیا با استفاده از یادگیری ماشین
- سال انتشار: 1403
- محل انتشار: اولین کنفرانس بین المللی فناوری اطلاعات، مدیریت و کامپیوتر
- کد COI اختصاصی: CONFIT01_0404
- زبان مقاله: فارسی
- تعداد مشاهده: 184
نویسندگان
دانشجوی کارشناسی ارشد مهندسی نرم افزار، گروه کامپیوتر موسسه آموزش عالی غیرانتفاعی جهاددانشگاهی کرمانشاه، کرمانشاه
استاد گروه کامپیوتر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات دانشگاه رازی، کرمانشاه
چکیده
با گسترش اینترنت و افزایش استفاده از دستگاه هایی که مجهز به اینترنت هستند و با کمک حسگرها با هم در ارتباط هستند، مانند اینترنت اشیا، مشکلات و چالش های بسیاری برای کاربران آنها به وجود می آید که یکی از این چالش ها مسائل امنیتی است . تا سال ۲۰۲۰، ۲۵ درصد از تمام حملات سایبری دستگاه های اینترنت اشیا را هدف قرار داد. با پذیرش سریع فناوری های اینترنت اشیا در صنعت ، افزایش بی پایانی در این حملات وجود خواهد داشت . یکی از خطرناک ترین تهدیدات دستگاه های اینترنت اشیا در میان آنها بدافزار است . بنابراین ، بهبود جنبه های امنیتی دستگاههای اینترنت اشیا برای محققان، به ویژه زمانی که با بدافزار اینترنت اشیا سروکار دارند، بیش از پیش ضروری می شود. رویکردهای شناسایی بدافزار اینترنت اشیا را می توان بر اساس نوع استراتژی به دو حوزه اصلی طبقه بندی کرد: تجزیه و تحلیل پویا و استاتیک . یکی از مزایای عمده تحلیل استاتیک ، توانایی مشاهده ساختار بدافزار است . به عبارت دیگر، ما می توانیم بدون در نظر گرفتن تنوع معماری پردازنده، تمام مسیرهای اجرایی ممکن را در نمونه بدافزار کاوش کنیم ، بنابراین این رویکرد را برای حل مسائل ناهمگن دستگاههای اینترنت اشیا استفاده می کنیم . بنابراین ، اگرچه مطالعات زیادی در مورد مسائل امنیتی برای بررسی های اینترنت اشیا، به ویژه شناسایی بدافزار اینترنت اشیا وجود دارد، اما هیچ تحقیقی بر روی روشهای تشخیص بدافزار اینترنت اشیا مبتنی بر تجزیه و تحلیل استاتیک متمرکز نشده است . در این تحقیق قصد داریم با کمک تکنیک های یادگیری ماشین به شناسایی این بدافزارها بپردازیم . به همین منظور از یک روش ترکیبی CNN-LSTM استفاده خواهیم کرد. برای بهبود تقسیم بندی داده های آموزش و آزمایش از k-fold cross validation استفاده شده است تا الگوریتم CNN مدل یادگیری را بتواند بهتر ایجاد کند و دسته بند LSTM بتواند دسته بندی با دقت بالا تری داشته باشد. با توجه به ارزیابی های انجام شده به این نتیجه رسیدیم که روش پیشنهادی قادر به تشخیص نفوذ شبکه با دقت ۵/۹۵ درصد می باشد.کلیدواژه ها
شبکه های اینترنت اشیا؛ تهدیدات امنیتی ؛ بدافزارها؛ الگوریتم های یادگیری ماشین .مقالات مرتبط جدید
- Sustainable Supply Chains and Export Risk Management in the Cosmetics and Detergents Industry: A Review of Theoretical and Empirical Literature for the Middle East Context
- ارزیابی نقش بازآرایی تشکیلات سازمانی در ارتقاء بهره وری منابع انسانی (مطالعه موردی شهرداری بندرعباس)
- بررسی میزان آگاهی در کتاب تعلیمات اجتماعی پایه پنجم ابتدایی در زمینه تهدیدها و خطرات فضای مجازی به دانش آموزان
- رتبه بندی اعتباری با استفاده از یادگیری تقویتی مبتنی بر الگوریتم راه زن چنددست: مطالعه ای مقایسه ای با مدلهای یادگیری ماشین
- مدل یادگیری تقویتی چندبازویی با انتخاب ویژگی برای رتبه بندی اعتباری بررسی تاثیر جریمه ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.