روشی نوین مبتنی بر شبکه های عصبی بازگشتی در راستای شناسایی رفتارهای مخرب در اینترنت اشیاء

با رشد سریع اینترنت اشیاء (IoT)، تهدیدات پیچیده سایبری امنیت شبکه و حریم خصوصی کاربران را با چالش مواجه کرده اند. در این مقاله، یک مدل سبک و دقیق برای شناسایی نفوذ پیشنهاد شده است که مبتنی بر شبکه عصبی بازگشتی با پس انتشار خطا (Recurrent Neural Network with Backpropagation - RNN-BP) بوده و از الگوریتم بهینه سازی گرگ خاکستری (Grey Wolf Optimizer - GWO) جهت تنظیم خودکار پارامترهای مدل بهره می برد. ترکیب RNN-BP و GWO امکان تحلیل داده های ترتیبی، حفظ عملکرد در محیط های پویا و افزایش دقت تشخیص را فراهم می سازد. برای رفع مشکل عدم توازن کلاس ها و ناپدیدشدگی گرادیان در فرآیند آموزش، یک تابع هزینه ی جدید طراحی شده است. همچنین، به منظور کاهش مصرف منابع و افزایش قابلیت استقرار در دستگاه های دارای محدودیت سخت افزاری، از تکنیک کوانتیزاسیون (Quantization) در طراحی مدل استفاده شده است. نتایج آزمایش ها بر روی مجموعه داده های استاندارد CIC-IDS۲۰۱۷ و CIC-IoT۲۰۲۳ نشان می دهد که مدل پیشنهادی نسبت به روش های موجود، دقت و پایداری بالاتری در شناسایی رفتارهای مخرب در محیط های پویای اینترنت اشیاء ارائه می دهد. این مدل به عنوان یک راهکار موثر، قابل استقرار و بهینه، توان پاسخ گویی به نیازهای امنیتی زیرساخت های IoT را داراست.

کلیدواژه ها:

اینترنت اشیا ، شبکه عصبی بازگشتی با پس انتشار خطا ، الگوریتم گرگ خاکستری ، حملات مخرب