ارائه مدل ترکیبی و هوشمند برای تشخیص ناهنجاری در اینترنت اشیا با رویکرد یادگیری گروهی و رمزگذارهای عمیق

اینترنت اشیا (IoT) با فراهم سازی بستری برای ارتباط خودکار بین میلیون ها دستگاه هوشمند، به یکی از زیرساخت های حیاتی دنیای مدرن دبل شده است. با افزایش چشمگیر تنوع، مقیاس و تحرک پذیری این دستگاه ها، آسیب پذیری های امنیتی نیز به طور فزاینده ای تشدید شده اند. به ویژه، تهدیدات پنهان و پیچیده ای که از طریق الگوهای رفتاری غیرمعمول در شبکه پدید می آیند، ضرورت بهره گیری از روش های پیشرفته ی تشخیص ناهنجاری را دوچندان نموده است. در این پژوهش، مدلی نوین با بهره گیری از رویکرد یادگیری گروهی ارائه گردیده که ترکیبی از تکنیک های یادگیری عمیق و الگوریتم های کلاسیک یادگیری ماشین را به کار گرفته است. پس از انجام پیش پردازش داده ها، ویژگی های کلیدی از طریق رمزگذار خودکار پشته ای (SAE) و رمزگذار خودکار عمیق (DAE) استخراج شده اند. در ادامه، یک چارچوب یادگیری گروهی متشکل از درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، شبکه عصبی احتمالی (PNN) و نوع وزنی آن (WPNN) برای شناسایی ناهنجاری ها مورد استفاده قرار گرفته است.از نوآوری های این تحقیق می توان به طراحی یک سازوکار انتخاب پویای ویژگی در لایه رمزگذار و همچنین پیشنهاد یک طرح وزندهی تطبیقی برای ترکیب خروجی مدل های گروهی اشاره کرد، که موجب بهبود دقت در تشخیص حملات ناشناخته و کاهش نرخ مثبت کاذب شده است. مدل پیشنهادی بر روی چندین مجموعه داده معتبر از جمله NSL-KDD، BoT-IoT، IoT-NI، IoT-۲۳، MQTT، MQTTset و IoT-DS۲ ارزیابی شده و نتایج بهبود عملکرد قابل توجهی را در مقایسه با مدل های مرجع نشان داده اند.

کلیدواژه ها:

: اینترنت اشیا ، تشخیص ناهنجاری ، رمزگذار خودکار پشته ای ، رمزگذار عمیق ، یادگیری گروهی ، انتخاب پویای ویژگی ، ترکیب تطبیقی مدل ها ، امنیت سایبری