تشخیص نفوذ و ناهنجاری با استفاده از یک رویکرد مبتنی بر داده و شبکه های عصبی BiDLSTM در شبکه اینترنت اشیا

حمله های سایبری و نفوذ به شبکه از نگرانی های عمده در زمینه اینترنت اشیا به شمار می آیند. تکنیک های موجود برای تشخیص نفوذ و ناهنجاری در این حوزه معمولا دارای محدودیت هایی هستند و قادر به شناسایی دقیق همه نوع حملات و ناهنجاری ها در ترافیک شبکه نیستند. بسیاری از الگوریتم های مبتنی بر یادگیری ماشین نیز توسط محققان ارائه شده است که از نظر دقت طبقه بندی یا طبقه بندی چندکلاسه عملکرد ضعیفی دارند. در این تحقیق یک رویکرد نوآورانه بر پایه یادگیری عمیق با بهره گیری از شبکه های عصبی حافظه دار دوطرفه (BiDLSTM) پیشنهاد می شود. در این چارچوب داده های اولیه با استفاده از تکنیک های پیش پردازش مانند کدگذاری ویژگی های طبقه ای، نرمال سازی و متوازن سازی کلاس ها با الگوریتم SMOTE، آماده سازی می شوند تا کیفیت و یکنواختی داده ها برای آموزش مدل افزایش یابد. سپس داده های پردازش شده به مدل وارد می شوند تا با استفاده از توانایی این مدل در تحلیل داده های سری زمانی، روابط پنهان و الگوهای پیچیده رفتاری استخراج گردد. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی قادر است با دقت ۹۴.۲۶ درصد حملات و ناهنجاری ها را در یک سناریوی طبقه بندی چندکلاسه شناسایی کند. علاوه بر این کاهش نیاز به تنظیم دستی هایپرپارامترها، کاهش پیچیدگی محاسباتی و زمان اجرای مناسب از دیگر مزایای این روش به شمار می رود. این رویکرد می تواند گامی موثر در بهبود امنیت و پایداری شبکه های اینترنت اشیا باشد. استفاده از این مدل علاوه بر دقت بالا، امکان به کارگیری در زمان واقعی (Real-time) را نیز فراهم می سازد که در سیستم های امنیتی یک مزیت کلیدی به شمار می رود. افزون بر این مدل ارائه شده قابلیت به روزرسانی و انطباق با داده های جدید را بدون نیاز به بازآموزی کامل داراست که آن را برای محیط های پویا و در حال تغییر مناسب می سازد. این ویژگی باعث می شود سیستم بتواند به صورت پویا در برابر تهدیدات نوظهور واکنش نشان دهد و عملکرد پایداری را حفظ کند. در نهایت رویکرد پیشنهادی می تواند به عنوان پایه ای برای توسعه سیستم های تشخیص نفوذ هوشمند نسل آینده در بستر اینترنت اشیا مورد استفاده قرار گیرد.

کلیدواژه ها:

سیستم تشخیص نفوذ ، BiDLSTM ، طبقه بندی چندکلاسه ، SMOTE ، یادگیری ماشین