تشخیص ناهنجاری و حملات در داده های کلان IoT با استفاده از یادگیری عمیق

با رشد سریع اینترنت اشیا (IoT)، سامانه های مبتنی بر حسگرها و دستگاه های متصل به شبکه به یکی از زیرساخت های حیاتی در حوزه هایی نظیر شهرهای هوشمند، صنعت و سلامت تبدیل شده اند. در عین حال، این سامانه ها به دلیل محدودیت منابع، ناهمگنی و اتصال دائمی به شبکه، در معرض طیف گسترده ای از حملات سایبری قرار دارند. روش های کلاسیک تشخیص نفوذ که مبتنی بر امضا یا قواعد از پیش تعریف شده هستند، توانایی شناسایی حملات جدید و الگوهای پیچیده رفتاری را ندارند. در این مقاله، یک چارچوب مبتنی بر یادگیری عمیق برای تشخیص ناهنجاری و حملات در داده های کلان IoT ارائه می شود. روش پیشنهادی از ترکیب شبکه های خودرمزگذار (Autoencoder) برای یادگیری منیفولد داده های نرمال و شبکه های LSTM برای مدل سازی وابستگی های زمانی استفاده می کند. ناهنجاری ها بر اساس خطای بازسازی فضایی و زمانی شناسایی می شوند. نتایج تجربی نشان می دهد که این چارچوب قادر است انواع حملات IoT را با دقت بالا و نرخ هشدار کاذب پایین شناسایی کند و عملکرد بهتری نسبت به روش های کلاسیک ارائه دهد.

کلیدواژه ها:

اینترنت اشیا ، تشخیص ناهنجاری ، امنیت سایبری ، یادگیری عمیق ، Autoencoder