طراحی و پیاده سازی سیستم تشخیص نفوذ در شبکه های IoT با رویکرد یادگیری عمیق

این پژوهش نشان دهنده چالش ها و راهکارهای کلیدی در شناسایی حملات امنیتی در شبکه های IoT است که به طور فزاینده ای به عنوان یکی از فناوری های اصلی در دنیای دیجیتال شناخته می شود. با توجه به افزایش تعداد دستگاه های متصل به اینترنت و پیچیدگی های حملات مختلف نظیر حملات منع سرویس (DDoS)، تزریق کد مخرب، جعل هویت و شنود اطلاعات، امنیت این شبکه ها به مساله ای حیاتی تبدیل شده است. ارزیابی مدل های یادگیری ماشین برای شناسایی حملات نیز نشان دهنده قابلیت های بالای این مدل ها در بهبود دقت شناسایی حملات و کاهش نرخ مثبت کاذب بود. مدل های مختلف یادگیری ماشین، به ویژه شبکه های عصبی مصنوعی، با عملکردهای برجسته خود در شناسایی حملات پیشرفته و پیچیده، تاثیر زیادی بر امنیت شبکه های IoT دارند. همچنین، چالش هایی همچون پویایی الگوهای حمله، محدودیت های سخت افزاری دستگاه های IoT و حجم بالای داده های امنیتی به عنوان موانع اصلی پیش روی مدل های شناسایی حملات مطرح شدند. به روزرسانی مداوم مدل ها، استفاده از روش های سبک یادگیری ماشین و پردازش داده ها به صورت توزیع شده از جمله راهکارهای پیشنهادی این تحقیق بود که می تواند عملکرد سیستم های امنیتی در شبکه های IoT را بهبود بخشد. در نهایت، نتایج نشان داد که رویکردهای ترکیبی و پیاده سازی تحلیل های کمی و کیفی در کنار یکدیگر، می توانند دقت شناسایی حملات را به میزان چشمگیری افزایش دهند و امنیت شبکه های IoT را در برابر تهدیدات موجود تقویت کنند.

کلیدواژه ها:

شناسایی حملات ، امنیت شبکه های IoT ، حملات DDoS ، مدل های یادگیری ماشین