یک سیستم تشخیص حملات در اینترنت اشیاء با یادگیری عمیق مبتنی بر معماری VGG۱۶ و الگوریتم بهینه سازی ببر سیبری

یکی از چالشهای عمده در اینترنت اشیاء وجود گره های حمله کننده به نام بات نت است. در این حملات تعداد زیادی گره به بدافزار آلوده شده و بر علیه سرویس های شبکه حملاتی مانند رد سرویس خدمات توزیع شده را انجام می دهند. بات نتها در بیشتر موارد سرویس های کاربردی در لایه ابر محاسباتی را هدف قرار می دهند و از این جهت تشخیص حملات در اینترنت اشیاء به عنوان یک لایه میانی از اهمیت بالایی برخوردار است. ارایه یک سیستم تشخیص نفوذ توزیع شده در اینترنت اشیاء توانایی تشخیص نفوذ را افزایش می-دهد و توانایی بالایی برای تحلیل حجم زیاد ترافیک شبکه دارد. روشهای یادگیری عمیق نظیر شبکه عصبی کانولوشن توانایی بالایی برای تشخیص الگوهای پیچیده در تصاویر دارند. در این مقاله برای استفاده از معماری شبکه CNN در تشخیص نفوذ به شبکه، ترافیک شبکه به صورت تصاویر به شیوه جدید کدگذاری می شود. تصاویر ترافیک شبکه برای آموزش مدل VGG۱۶ که یک تکنیک CNN است استفاده می شود. در روش پیشنهادی برای تمرکز سیستم تشخیص نفوذ پیشنهادی، از الگوریتم بهینه سازی ببر سیبری برای انتخاب ویژگی و کاهش ابعاد استفاده می شود. سیستم تشخیص نفوذ پیشنهادی روی مجموعه داده NSL-KDD آموزش داده می شود و ارزیابی ها نشان داد دارای دقت، حساسیت و صحتی به ترتیب برابر ۶۲/۹۹%، ۳۸/۹۹% و ۷۴/۹۸% است. روش پیشنهادی در فاز انتخاب ویژگی نسبت به الگوریتم بهینه سازی وال، بهینه سازی شاهین و بهینه سازی عقاب طلایی دقت بیشتری دارد. روش پیشنهادی در تشخیص حملات به شبکه از روشهای CNN، VGG۱۶، Multi-CNN و PSO-CNN دقت بیشتری دارد.

کلیدواژه ها:

اینترنت اشیاء ، سیستم تشخیص نفوذ ، یادگیری عمیق ، شبکه عصبی VGG۱۶ ، الگوریتم بهینه سازی ببر سیبری