سیستم های تشخیص نفوذ هوشمند در اینترنت اشیاء صنعتی با رویکرد یادگیری عمیق و تحمل پذیری خطا

با گسترش سریع اینترنت اشیاء (IoT) و ادغام آن در زیرساخت های حیاتی تحت عنوان اینترنت اشیاء صنعتی (IIoT)، حجم عظیمی از داده ها تولید شده و سطح حمله برای نفوذگران سایبری به شدت گسترش یافته است. روش های سنتی امنیتی و الگوریتم های کلاسیک یادگیری ماشین (Machine Learning) به دلیل وابستگی به استخراج دستی ویژگی ها و ناتوانی در پردازش داده های حجیم و نامتوازن، در شناسایی حملات پیچیده و ناشناخته (Zero-day attacks) ناکارآمد هستند. این مقاله به بررسی کاربرد روش های یادگیری عمیق (Deep Learning) در طراحی سیستم های تشخیص نفوذ (IDS) برای شبکه های IoT و IIoT می پردازد. در این مقاله معماری های مختلف یادگیری عمیق را بررسی کرده و نشان می دهیم که چگونه این مدل ها می توانند با یادگیری خودکار الگوهای پیچیده ترافیک شبکه، امنیت را در محیط های صنعتی هوشمند ارتقا میدهند.

کلیدواژه ها:

سیستم های تشخیص نفوذ ، یادگیری عمیق ، اینترنت اشیاء (IoT) ، اینترنت اشیاء صنعتی(IIoT) ، امنیت