کاهش ریسک با ارائه مدلی مبتنی بر یادگیری عمق برای شناسایی کاربران جعلی در اینترنت اشیاء

شهرهای هوشمند که توسط اینترنت اشیا هدایت می شوند، با فعال کردن سیستم های کارآمد و به هم پیوسته، تولید پیشرفت های چشمگیری در زندگی شهری را می دهند. در این حال، سیستم ها در برابر تهدیات امنیتی بسیار آسیب پذیر هستند. به عنوان مثال، سیستم های اینترنت اشیا بسیار آسیب پذیر هستند و عملکرد های جانبی را با مشکل مواجه می کنند. با توجه به نگرانی های امنیتی موجود، این مقاله یک مدل جدید برای شناسایی کاربران جعلی در شبکه های اینترنت اشیا پیشنهاد می کند. رویکرد پیشنهادی از شبکه های حافظه طولانی کوتاه مدت و شبکه های عصبی کانولوشنال برای تحلیل ترافیک و شناسایی فعالیت های مخرب با استفاده از پیش پردازش، انتخاب بهینه ویژگی و توزیع متعادل داده ها آماده شده است. با پیش پردازش، انتخاب بهینه ویژگی و داده ها، مدل پیشنهادی قابلیت برای مدل های یادگیری عمیق به دقت ۹۹.۸۵ درصد رسید.

کلیدواژه ها:

یادگیری عمیق ، شهرهای هوشمند اینترنت اشیا ، حافظه طولانی کوتاه مدت ، شبکه های عصبی ، کانولوشنال ، امنیت شبکه