تشخیص ناهنجاری در ترافیک تجهیزات اینترنت اشیاء با رویکرد ترکیب مدل های یادگیری عمیق

طبقه بندی کننده های ترافیک شبکه نقش حیاتی در سیستم های نظارت بر شبکه ها ایفا می کنند و وظیفه آن ها تشخیص ناهنجاری ها در جریان های شبکه ای بر اساس ویژگی های ارتباطی است. این موضوع برای مدیریت و نظارت بر شبکه های اینترنت اشیاء نیز اهمیت ویژه ای دارد. در این مقاله، یک روش نوین برای طبقه بندی ترافیک شبکه بر اساس ترکیبی از مدل های یادگیری عمیق ارائه شده است که می تواند برای طبقه بندی ترافیک اینترنت اشیاء استفاده شود. نتایج تجربی نشان می دهد که مدل ترکیبی CNN+RNN-۲ بادقت ۸۳.۵۸درصد، عملکرد بهتری نسبت به مدل های منفرد و ترکیبی دیگر ارائه می دهد. این مدل با ترکیب ویژگی های محلی استخراج شده توسط شبکه های عصبی کانولوشنال (CNN) و تحلیل وابستگی های زمانی توسط شبکه های عصبی بازگشتی (RNN)، قادر به شناسایی الگوهای پیچیده تری است و دقت تشخیص را بهبود می بخشد. همچنین، نتایج به دست آمده نشان می دهد که مدل ترکیبی CNN+RNN-۲ بدون نیاز به مهندسی ویژگی دستی، نتایج بهتری نسبت به روش های کلاسیک نظارت شده، نیمه نظارت شده و بدون نظارت ارائه می دهد. استفاده از یادگیری عمیق به دلیل توانایی آن در استخراج خودکار ویژگی ها و یادگیری الگوهای پیچیده، برتری قابل توجهی نسبت به تکنیک های سنتی هوش مصنوعی دارد.

کلیدواژه ها:

شبکه های عصبی کانولوشنال ، شبکه های عصبی بازگشتی ، طبقه بندی ترافیک شبکه ، یادگیری عمیق