تشخیص نفوذ در اینترنت اشیا با استفاده از مدل ترکیبی یادگیری عمیق و یادگیری ماشین

یکی از مسائل مهم با توجه به استفاده گسترده از شبکه های کامپیوتری حملات سایبری و بحث امنیت در این شبکه ها و پایگاه داده ها است . جهت بهبود ”دقت ” سیستم های تشخیص نفوذ روشهای متعددی ارائه شده است در این مقاله روشی جهت حل مساله ”دقت ” از طریق کاهش ابعاد مجموعه داده NSL-KDD با تحلیل مولفه های اساسی (PCA) که به طور موثری در بهبود سرعت پردازش داده تاثیر می گذارد و استفاده از شبکه های پروسپترن چندلایه که یکی از روشهای یادگیری عمیق (DL) میباشد با افزایش تعداد لایه های پنهان از یک لایه ]۱[ روش ارائه شده در شبیه ساز Python اجرا شده است و با آخرین کارهای انجام شده مقایسه شده است . روش پیشنهادی نشان می دهد دقت برای شناسایی ۵ کلاس در مجموعه داده NSL-KDD به ۹۳ درصد افزایش یافته است که کارایی بیشتر روش پیشنهادی را در مقایسه با کار انجام شده نشان میدهد .

کلیدواژه ها:

اینترنت اشیاء ، یادگیری عمیق ، یادگیری ماشین