روش های یادگیری تقویتی برای امنیت اینترنت اشیا: تشخیص، پیش بینی و پیشگیری از حملات

با رشد سریع دستگاه های متصل به اینترنت اشیا و افزایش تقاضا برای بهره برداری از این فناوری در شهرها و محیط های هوشمند، چالش های امنیتی به یکی از دغدغه های اصلی در این حوزه تبدیل شده اند. ساختار چندلایه و منابع محدود دستگاه های اینترنت اشیا، هر لایه را در معرض انواع مختلف تهدیدات امنیتی قرار می دهند. در حالی که روش های امنیتی ستنی برای مقابله با برخی تهدیدها توسعه یافته اند، اما در مواجه با حملات پیچیده تر، گسترده تر و پویاتر، کارایی و دقت کافی را ندارند. از این رو، نیاز به یک سیستم امنیتی هوشمند، پویا و به روز، بیش از پیش احساس می شود. هوش مصنوعی، به ویژه یادگیری تقویتی، به عنوان رویکردی پیشرفته و سازگار با محیط های پویا، توانسته راه حل های نوینی برای افزایش امنیت در معماری های پیچیده اینترنت اشیا ارائه دهد. یادگیری تقویتی با توانایی تعامل با محیط و یادگیری از تجربیات گذشته، می تواند نقش موثری در شناسایی و پیشگیری از انواع حملات ایفا کند. مقاله مروری پیش رو با هدف بررسی پژوهش های انجام شده پیرامون کاربردهای هوش مصنوعی به ویژه یادگیری تقویتی، در امنیت اینترنت اشیا تدوین شده است. در این پژوهش، مفاهیم پایه مرتبط با یادگیری ماشین و تکنیک ها، یادگیری تقویتی، معماری اینترنت اشیا، انواع حملات رایج، و چالش های امنیتی آن مورد بررسی قرار گرفته اند. سپس با تحلیل و طبقه بندی مطالعات پیشین، مقاله بررسی می کند که الگوریتم های یادگیری تقویتی چگونه برای شناسایی حملات، پیشگیری از تهدیدات و ارتقای امنیت در لایه های مختلف سیستم های اینترنت اشیا به کار گرفته می شوند. نتایج نشان می دهند که یادگیری تقویتی، به دلیل قابلیت تطبیق پذیری، یادگیری مداوم و تصمیم گیری مبتنی بر تجربه، می تواند به عنوان راهکاری موثر برای طراحی سیستم های امنیتی پیشرفته و خودسازگار در حوزه اینترنت اشیا مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، یادگیری تقویتی ، امنیت اینترنت اشیا ، حملات ، تشخیص نفوذ