چارچوب نوین ترکیبی یادگیری عمیق و پردازش سیگنال دیجیتال برای تشخیص ناهنجاری های شبکه های حسگر بی سیم در شهرهای هوشمند

شبکه های حسگر بی سیم (WSN) نقش اساسی در زیرساخت های شهر هوشمند ایفا می کنند، اما آسیب پذیری های امنیتی این شبکه ها چالش های جدی را در پی دارد. این پژوهش یک چارچوب نوین ترکیبی مبتنی بر یادگیری عمیق و پردازش سیگنال دیجیتال برای تشخیص ناهنجاری ها در WSN ارائه می دهد. معماری پیشنهادی از تبدیل موجک گسسته (DWT) برای استخراج ویژگی های سیگنال و یک شبکه عصبی کانولوشنی-بازگشتی (CRNN) برای طبقه بندی الگوهای ناهنجار استفاده می کند. این چارچوب با قابلیت پردازش همزمان اطلاعات زمانی-فرکانسی، توانایی شناسایی طیف وسیعی از حملات از جمله حملات تخلیه انرژی، حملات Sybil و حملات انتقال انتخابی را دارد. ارزیابی سیستم بر روی داده های واقعی جمع آوری شده از یک پایلوت شهر هوشمند نشان می دهد که این روش به دقت ۹۷.۲%، فراخوانی ۹۴.۸% و نرخ هشدار اشتباه ۱.۳% دست یافته است. همچنین نتایج نشان می دهد که رویکرد پیشنهادی در مقایسه با روش های پیشین، زمان تشخیص را ۴۳% کاهش داده و مصرف منابع محاسباتی را ۳۵% بهبود بخشیده است.

کلیدواژه ها:

شبکه های حسگر بی سیم ، شهر هوشمند ، تشخیص ناهنجاری ، یادگیری عمیق ، پردازش سیگنال دیجیتال ، تبدیل موجک گسسته