سیستم تشخیص نفوذ برای اینترنت اشیاء با استفاده از شبکه های عصبی اسپایکی و یادگیری انتقال

امنیت در سیستم های اینترنت اشیاء (IoT) به دلیل رشد سریع این فناوری و افزایش حملات سایبری، به یکی از چالش های اصلی در دنیای دیجیتال تبدیل شده است. روش های سنتی تشخیص نفوذ، اغلب مبتنی بر یادگیری ماشین با تحلیل مبتنی بر عملکرد هستند، در شناسایی حملات ناشناخته و پیچیده محدودیت هایی دارند. در این پژوهش، یک مدل ترکیبی مبتنی بر شبکه های عصبی اسپایکی (SNN) و یادگیری انتقالی (Transfer Learning) ارائه شده است که هدف آن بهبود دقت، کاهش هشدارهای کاذب و افزایش توانایی شناسایی حملات است. شبکه های عصبی اسپایکی با الهام از عملکردهای نورولوژیکی توانایی پردازش داده های پیوسته را دارند و سعی در شبیه سازی عملکرد مغز دارند. در این مدل، از شبکه عصبی عمیق (STDP) استفاده شده و سپس با استفاده از یادگیری انتقال (Transfer Learning)، مدل با داده های از پیش آموزش دیده به مدل های جدید تعمیم داده می شود. علاوه بر این، یادگیری انتقال با انتقال دانش از مدل های پیش آموزش دیده به مدل جدید، نیاز به داده های بزرگ را کاهش داده و عملکرد مدل را در مواجهه با داده های ناشناخته بهبود می بخشد. نتایج آزمایش ها نشان داد که مدل پیشنهادی بر روی مجموعه داده UNSW-NB۱۵ با دقت ۹۹.۵ درصد و نرخ مثبت کاذب ۲.۵ درصد دست یافته که برتری قابل توجهی نسبت به روش های RNN، CNN و SVM دارد. در این مدل، ترکیب قدرت یادگیری شبکه های اسپایکی و قابلیت های طبیعی یادگیری انتقالی، یک راه حل کارآمد برای افزایش امنیت IoT ارائه می دهد. پیشنهاد می شود در تحقیقات آینده از تکنیک های بهینه سازی برای کاهش پیچیدگی محاسباتی و بهبود عملکرد در محیط های بلادرنگ استفاده شود.

کلیدواژه ها:

اینترنت اشیاء (IoT) ، تشخیص نفوذ (IDS) ، شبکه های عصبی اسپایکی (SNN) ، یادگیری انتقال (Transfer Learning) ، شناسایی حملات