ترکیب مدل های زبانی بزرگ و روش های یادگیری عمیق در ارزیابی ترافیک شبکه اینترنت اشیا

رشد سریع به کارگیری دستگاه های اینترنت اشیا در سال های اخیر، بستر مناسبی را برای اجرای حملات سایبری گسترده فراهم کرده است، به گونه ای که بخش قابل توجهی از تهدیدات نوین امنیتی از ضعف های ذاتی این تجهیزات بهره برداری می کنند. با توجه به تداوم توسعه و نفوذ فناوری اینترنت اشیا، انتظار می رود دامنه و پیچیدگی این حملات در آینده افزایش یابد. اگرچه پژوهش های متعددی در حوزه شناسایی نفوذ انجام شده است، اغلب سامانه های موجود، ماهیتی واکنشی دارند و صرفا پس از وقوع حمله یا مشاهده ناهنجاری های مشخص وارد عمل می شوند. این محدودیت، ضرورت حرکت به سوی رویکردهای پیش بینانه برای مقابله با تهدیدات را برجسته می سازد. در این پژوهش، یک چارچوب نوآورانه برای پیش بینی نفوذ در شبکه های اینترنت اشیا، ارائه می شود که با هدف شناسایی و مهار فعالیت های مخرب پیش از بروز خسارت طراحی شده است. چارچوب پیشنهادی، مبتنی بر تلفیق مدل های زبانی بزرگ و شبکه های عصبی GRU است و از یک سازوکار بازخوردی دو مرحله ای بهره می برد. در این ساختار، یک مدل مبتنی بر GPT وظیفه پیش بینی الگوهای ترافیک شبکه را بر عهده دارد، در حالی که یک مدل مبتنی بر ELECTRA برای تحلیل و ارزیابی ترافیک پیش بینی شده مورد استفاده قرار می گیرد. در مرحله ی نهایی، یک طبقه بند مبتنی بر شبکه بازگشتی GRU با پردازش خروجی مدل، بسته های مخرب را از ترافیک سالم شبکه شناسایی می کند. ارزیابی تجربی چارچوب پیشنهادی بر روی مجموعه داده استاندارد CICIOT۲۰۲۳ نشان دهنده بهبود چشمگیر در توان پیش بینی نفوذ است. نتایج به دست آمده حاکی از دستیابی به دقت کلی ۹۹/۹۸ درصد بوده و بیانگر کارایی بالای این رویکرد در مواجهه با چالش های امنیت سایبری در محیط های مبتنی بر اینترنت اشیا است.

کلیدواژه ها:

مدل های زبانی بزرگ ، اینترنت اشیا ، تشخیص نفوذ ، مدل Electra ، شبکه های عصبی GRU