روش نوین مبتنی بر انتقال یادگیری چند منبعی جهت تشخیص نفوذ در اینترنت اشیا

اینترنت اشیا شبکه ای گسترده است که هر دستگاهی با هر سخت افزار و نرم افزاری می تواند با سایر دستگاه های شبکه ارتباط برقرار نماید. این شبکه عظیم همان طور که در حال انتقال داده هاست، می تواند در معرض حملات اینترنتی مختلفی قرار گیرد و سلامت بسته های انتقالی را در معرض منقضی شدن قرار دهد. لذا جهت شناسایی نفوذها می توان از تکنیک های یادگیری عمیق بهره برد. یکی از تکنیک ها که دقت بهتری نسبت به سایرین دارد، انتقال یادگیری است. در این تحقیق با استفاده از انتقال یادگیری چند منبعی سه رویکرد برای حملات شناخته شده و ناشناخته ارائه می شود. در هرکدام از آن ها، دامنه های منبع به روش های مختلفی باهم ترکیب می شوند. طبق نتایج به دست آمده از این پژوهش، روش سری برای حملات شناخته شده با دقت 17/99% در برابر 42/82% بدون استفاده از انتقال یادگیری، دست آورده است. اساس کلی هر سه روش بدین نحو است که سه مدل منبع به کمک شبکه عصبی پیچشی آموزش می بینند. سپس دانش های آموخته شده از این سه مدل، به دامنه هدف منتقل می شوند. در آنجا نخست مدل ها ثابت و لایه های اضافی حذف می شوند. سپس با استفاده از لایه های باقی مانده از دانش های قبلی منتقل شده، شبکه مدل هدف تعریف و آموزش می بیند. برای حملات ناشناخته هم از انتقال یادگیری چند منبعی و رمزگذار خودکار استفاده شده که در دامنه های منبع مدل ها فقط با داده های عادی آموزش می بینند و مدل به دست آمده به دامنه هدف انتقال پیدا می کند. در دامنه هدف از این مد ل ها برای شناسایی حملات غیرعادی بهره گرفته می شود. در این رویکرد سه روش مدل سری، مدل موازی و مدل مشترک پیشنهادشده است که روش مدل موازی با دقت 13/98% عملکرد بهتری را نسبت به روش تک منبعی به دست آورده است. مهم ترین مزیت روش های پیشنهادی برای هر دو حالت این است که برای داده های کم، میزان دقت تشخیص همچنان پایدار است.

کلیدواژه ها:

انتقال یادگیری ، اینترنت اشیا ، حملات شناخته شده ، حملات ناشناخته ، دامنه منبع