یک روش جدید مبتنی بر پایه یادگیری انتقال برای سیستم های تشخیص نفوذ در اینترنت اشیا

اینترنت اشیا با توجه کاربرهای منحصر به فرد خود توانسته است به بخشی جدایی ناپذیر از زندگی بشر شود. یکی از ملزومات اتصال چندین دستگاه به هم و تبادل داده ای بین یک دیگر، داشتن یک شبکه اینترنت است. با توجه به اینکه اکثر دستگاه های متصل به شبکه از منابع پردازشی محدودی بهره می برند، لذا نمی توان انتظار پردازش های زیادی را از آن ها داشت. در نتیجه مهاجمین با استفاده از این ضعف، حملات سایبری خود را به دستگاه های با اهدافی چون سرقت و جعل بسته های اطلاعاتی سلامت و صحت داده های شبکه را تحت الشعاع قرار می دهند. در نتیجه جهت جلوگیری از این اتفاق، سیستم های تشخیص نفوذی ارائه شده اند توانسته اند با استفاده از یادگیری عمیق و یادگیری ماشین به طور چشم گیری حملات را شناسایی و دفع کنند. اساس کلی انتقال یادگیری بدین نحو است که یک دامنه منبع و یک دامنه هدف تعریف می شود. در دامنه منبع، مدل آموزش می بیند و سپس دانش آن برای دامنه هدف منتقل می شود. تاکنون در مورد تشخیص نفوذ تحقیقات کمی در حوزه دیتاست های مختلف برای بهبود دقت استفاده شده است و ما در این تحقیق از اطلاعات حوزه های مختلف با ساختارهای متفاوت استفاده می کنیم و عملکرد آن ها را بررسی کرده تا بهترین ساختار ترکیبی برای استفاده از آن ها در حوزه ای مختلف برای تشخیص نفوذ را بدست آوریم. در این پژوهش با توجه به همین اصل، قصد داریم به جای استفاده از تک مدل های آموزش دیده شده به روش انتقال یادگیری، از ترکیب چندین مدل به روش های مختلف، بهینه سازی خود را انجام دهیم.

کلیدواژه ها:

اینترنت اشیا ، سیستم تشخیص نفوذ ، شبکه های عصبی پیچشی ، انتقال یادگیری