یادگیری ماشین سنتی در برابر یادگیری عمیق برای تشخیص نفوذ در شبکه های اینترنت اشیا: یک بررسی مقایسه ای

گسترش سریع اینترنت اشیا شیوع حملات سایبری را افزایش داده است. محدودیت منابع و پیکربندی های ناهمگون در دستگاه های اینترنت اشیا آن ها را آسیب پذیر می کند و به کارگیری سیستم های تشخیص نفوذ را ضروری می سازد. این مرور تطبیقی پنج پژوهش معاصر را بررسی می کند: دو رویکرد یادگیری ماشین سنتی مبتنی بر انتخاب ویژگی (درخت تصمیم و ماشین بردار پشتیبان) و سه راهبرد یادگیری عمیق شامل شبکه عصبی هم نهشتی یک بعدی با هوش مصنوعی قابل تفسیر، ارزیابی چند مدل یادگیری عمیق (شبکه عصبی هم نهشتی / شبکه حافظه بلند–کوتاه مدت / شبکه عصبی بازگشتی / ادراک گر چندلایه) و شبکه عصبی ترکیبی حافظه بلند–کوتاه مدت و ادراک گر چندلایه برای تحلیل رفتاری. یافته ها نشان می دهد TML به سبب کارایی محاسباتی و تفسیرپذیری، در سناریوهای کم منبع ارزشمند است؛ در مقابل، DL در شناسایی الگوهای پیچیده، حملات روز-صفر و پویایی های زمانی ترافیک برتری دارد. افزوده شدن هوش مصنوعی تبیین پذیر به چارچوب های DL مساله «جعبه سیاه» را تا حدی برطرف می کند. نتیجه آن که هرچند TML پاسخ موثری به تهدیدات شناخته شده می دهد، مسیر توسعه IDS های اینترنت اشیا به سوی DL است؛ با این حال، آینده پژوهی باید بر سبک سازی مدل های DL و ادغام نظام مند XAI برای حفظ دقت و کاهش هزینه محاسباتی تمرکز کند.

کلیدواژه ها:

اینترنت اشیا ، یادگیری ماشین ، یادگیری عمیق ، حملات سایبری