بهینه سازی مدل یادگیری عمیق برای تشخیص حمله در اینترنت اشیا

در شبکه های کامپیوتری سیستم های تشخیص نفوذ ابزاری حیاتی برای نظارت بر فعالیت های شبکه و شناسایی تهدیدهای بالقوه محسوب می شوند. سیستم تشخیص نفوذ سیستمی است که ترافیک شبکه را برای فعالیت مشکوک رصد کرده و در صورت کشف چنین فعالیتی هشدار می دهد. برخی از سیستم های تشخیص نفوذ می توانند هنگام شناسایی فعالیت مخرب یا ترافیک غیرعادی اقداماتی از جمله مسدود کردن ترافیک ارسال شده از آدرس های IP مشکوک را انجام دهند. ارائه یک سیستم با دقت و صحت بالا برای امنیت شبکه اهمیت ویژه ای دارد. در این مقاله نخست به مقدمه ای درباره سیستم های تشخیص نفوذ می پردازیم و سپس راهکار پیشنهادی خود را با استفاده از الگوریتم یادگیری عمیق معرفی خواهیم کرد. در پایان نتایج این پژوهش را بررسی خواهیم کرد. برای ارزیابی عملکرد الگوریتم از مجموعه داده KDD-NSL استفاده کردیم و معیارهای ارزیابی شامل دقت و صحت مورد بررسی قرار گرفته اند. مدل پیشنهادی ما شامل اجزای CNN می باشد که به صورت یک لایه متقاطع با یکدیگر ترکیب شده اند. لایه CNN قادر است ویژگی های کلی را استخراج کند، در حالی که ویژگی های دوره ای را تحلیل می کند. نتایج ارزیابی نشان دهنده عملکرد بی سابقه ۹۸٫۹۶ در تمام معیارها است که نمایانگر برتری این الگوریتم RNN می باشد.

کلیدواژه ها:

امنیت ، تشخیص ، حملات ، یادگیری عمیق