چارچوب یکپارچه مبتنی بر یادگیری عمیق برای تشخیص و مقابله با حملات سایبری در شبکه های صنعتی اینترنت اشیاء

با گسترش روزافزون اینترنت اشیاء صنعتی (IIoT) و افزایش اتصال سیستم های کنترل صنعتی به شبکه های عمومی، تهدیدات سایبری در این حوزه به طور قابل توجهی افزایش یافته است. سیستم های سنتی تشخیص نفوذ در مواجهه با حملات پیچیده و ناشناخته در محیط های IIoT با محدودیت های جدی روبرو هستند. این مقاله یک چارچوب یکپارچه مبتنی بر یادگیری عمیق برای تشخیص و مقابله با حملات سایبری در شبکه های صنعتی اینترنت اشیاء ارائه می دهد. چارچوب پیشنهادی از یک معماری چندلایه تشکیل شده که شامل: (۱) جمع آوری داده های ناهمگن از منابع مختلف شبکه صنعتی، (۲) پیش پردازش و استخراج ویژگی با استفاده از روش های یادگیری عمیق، (۳) تشخیص ناهنجاری و طبقه بندی حملات با ترکیبی از شبکه های عصبی کانولوشنی و بازگشتی، (۴) تحلیل علت یابی و اثر حملات، و (۵) سیستم پاسخ خودکار مبتنی بر یادگیری تقویتی عمیق است. ارزیابی چارچوب پیشنهادی روی مجموعه داده های استاندارد و داده های جمع آوری شده از یک محیط صنعتی واقعی نشان می دهد که این سیستم قادر به شناسایی حملات با دقت ۹۸.۷% و نرخ هشدار اشتباه ۰.۳% است. همچنین، مکانیزم پاسخ خودکار سیستم توانست زمان پاسخ به حملات را تا ۷۶% در مقایسه با روش های سنتی کاهش دهد. چارچوب پیشنهادی با قابلیت یادگیری مستمر و انطباق پذیری با شرایط متغیر شبکه، راه حلی کارآمد برای امنیت شبکه های صنعتی اینترنت اشیاء در برابر تهدیدات سایبری پیشرفته ارائه می دهد.

کلیدواژه ها:

اینترنت اشیاء صنعتی ، امنیت سایبری ، یادگیری عمیق ، تشخیص ناهنجاری ، یادگیری تقویتی ، سیستم های کنترل صنعتی ، دفاع خودکار