کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل های ترکیبی گراف و یادگیری عمیق رفتاری

امنیت سایبری در اینترنت اشیاء۱ یک حوزه حیاتی در فناوری اطلاعات و ارتباطات است که به دلیل پیچیدگی و ماهیت پویای سامانههای اینترنت اشیاء با چالش های مهمی مواجه است. یکی از مسائل اولیه در این زمینه، تشخیص ناهنجاری ها و حملههای سایبری پیچیده است که از پیچیدگی های ساختاری و رفتارهای غیرقابل پیش بینی دستگاه های متصل به هم نشئت می گیرد. این تهدیدهای امنیتی می توانند به شدت بر یکپارچگی سامانه، عملکرد و محرمانه بودن داده ها تاثیر بگذارند. تحقیقات قبلی روش های مختلفی از جمله تحلیل رفتار زمانی و مدل سازی ارتباطات شبکه را برای کاهش خطرهای سایبری، مورد بررسی قرار داده اند. بااین حال، این رویکردها، زمانیکه به صورت مجزا به کار میروند، اغلب در ارائه یک سازوکار دفاعی جامع شکست میخورند. برای پرداختن به این محدودیت ها، این مطالعه یک رویکرد ترکیبی را پیشنهاد می کند که مدل سازی مبتنی بر گراف را با روش های یادگیری رفتاری عمیق ادغام می کند. به طور خاص، با نمایش ارتباطات دستگاه به عنوان گراف و تجزیه وتحلیل تغییرهای زمانی با استفاده از مدل های شبکه های عصبی گراف۲ و حافظه کوتاه مدت۳، روش پیشنهادی تشخیص ناهنجاری را افزایش و احتمال حملههای سایبری را کاهش داده و در نتیجه خطر کلی سایبری را کاهش می دهد. ارزیابی های تجربی انجامشده بر روی مجموعه داده های۴ مرتبط با اینترنت اشیاء نشان می دهد که مدل پیشنهادی به طور قابل توجهی از روش های مرسوم بهتر عمل می کند. نتایج، نشان دهنده معیارهای عملکرد برتر با صحت ۹۲%، دقت ۹۱/۰، یادآوری ۹۴/۰ و امتیاز ۹۲/۰ F۱ در کنار کاهش نرخ هشدار نادرست است. این یافته ها بر اثربخشی رویکرد پیشنهادی در تقویت امنیت سایبری اینترنت اشیاء تاکید می کند، که نشان دهنده پیشرفت قابل توجهی در کاهش خطر و افزایش امنیت سامانه است.

کلیدواژه ها:

کاهش خطر سایبری ، اینترنت اشیاء ، تحلیل رفتاری ، شبکه های عصبی گراف ، یادگیری عمیق