بهره گیری از هوش مصنوعی در تشخیص نفوذ IoT نقش یادگیری انتقالی چند منبعی و شبکه های عصبی کانولوشنی

این مقاله به بررسی روش های نوین یادگیری انتقالی چند منبع برای بهبود دقت تشخیص نفوذ در شبکه های اینترنت اشیاء می پردازد، که یکی از زمینه های مهم هوش مصنوعی در امنیت سایبری است. سیستم های IoT همواره در معرض حملات سایبری قرار دارند و به دلیل محدودیت داده ها استفاده از روش های هوشمند مانند یادگیری انتقالی مبتنی بر شبکه های عصبی کانولوشنی ضروری است. برخلاف روش های پیشین که غالبا به انتقال دانش از یک منبع واحد بسنده کرده اند یا داده ها را به صورت یکپارچه ترکیب کرده اند، این مطالعه سه رویکرد مجزا برای انتقال دانش از چند منبع ارائه می دهد: انتقال دانش به صورت سلسله مراتب، ادغام مدل ها به صورت موازی و انتقال ادغام اولیه داده ها در مدل CKT، شبکه های عصبی کانولوشنی به صورت جداگانه روی هر منبع آموزش دیده و دانش استخراج شده به ترتیب به مدل هدف منتقل می شود که این رویکرد منجر به استخراج ویژگی های مشترک قوی تر و افزایش دقت تشخیص تا ۹۹.۱۷ درصد شده است. تجربیات آزمایشی نشان می دهد که این روش حتی با استفاده از تنها ۱۰ درصد داده های هدف نسبت به روش های بدون یادگیری انتقالی حدود ۳۰ درصد بهبود دقت دارد. این نتایج تاییدی بر کاربرد موثر هوش مصنوعی به ویژه یادگیری عمیق و یادگیری انتقالی چند منبع در بهبود سیستم های تشخیص نفوذ IoT است. در نهایت این پژوهش نشان می دهد که با استفاده از شبکه های عصبی کانولوشنی و ادغام هوشمند دانش چند منبع می توان محدودیت های سیستم های سنتی را رفع کرد و عملکرد سیستم های هوشمند تشخیص نفوذ را بهبود بخشید. این دستاوردها گام مهمی در جهت توسعه سیستم های امنیتی هوشمند مبتنی بر هوش مصنوعی برای حفاظت از زیرساخت های IoT محسوب می شوند.

کلیدواژه ها:

اینترنت اشیاء ، تشخیص نفوذ ، یادگیری انتقالی ، شبکه عصبی کانولوشنی ، یادگیری انتقالی چند منبع ، امنیت سایبری