سامانه هوشمند تشخیص نفوذ و رفتار مخرب در زیرساخت های سازمانی اینترنت اشیا با تمرکز بر مدل های Bi LSTM و Attention

با گسترش روزافزون زیرساخت های اینترنت اشیا (Internet of Things – IoT) در محیط های سازمانی، تهدیدات امنیتی مرتبط با این شبکه ها به طور قابل توجهی افزایش یافته است. محدودیت منابع محاسباتی و تنوع پروتکل های ارتباطی، طراحی سامانه های کارآمد تشخیص نفوذ (Intrusion Detection Systems – IDS) را به یک چالش اساسی تبدیل کرده است. از این رو، بهره گیری از روش های هوشمند و مقیاس پذیر برای شناسایی حملات پیچیده در شبکه های IoT ضروری است. در این مقاله، یک سامانه تشخیص نفوذ مبتنی بر یادگیری عمیق ارائه می شود که از ترکیب شبکه های حافظه بلند-کوتاه مدت دوطرفه (Bi-LSTM) و مکانیزم Attention بهره می برد. این معماری با هدف بهبود مدل سازی وابستگی های زمانی و استخراج ویژگی های مهم ترافیک شبکه طراحی شده است. ارزیابی عملکرد مدل پیشنهادی با استفاده از مجموعه داده استاندارد CSE CIC IDS۲۰۱۸ و مقایسه با روش های متداول انجام شده است. نتایج حاصل نشان می دهد که مدل Bi LSTM مجهز به مکانیزم Attention با دستیابی به دقت (Accuracy) برابر با ۹۷.۸۸% و امتیاز F۱ معادل ۹۷.۵۷%، بهبود قابل توجهی نسبت به روش های مبتنی بر یادگیری ماشین سنتی و مدل های یادگیری عمیق پایه از جمله CNN و LSTM یک سویه ارائه می دهد. این نتایج حاکی از توانایی بالای مدل پیشنهادی در تشخیص دقیق حملات ناشناخته و کاهش هشدارهای کاذب بوده و آن را به گزینه ای مناسب برای پیاده سازی سامانه های تشخیص نفوذ در محیط های سازمانی اینترنت اشیا تبدیل می کند.

کلیدواژه ها:

تشخیص نفوذ (Intrusion Detection System – IDS) ، اینترنت اشیا (Internet of Things – IoT) ، یادگیری عمیق (Deep Learning) ، معماری های مبتنی بر Bi‑LSTM ، مکانیزم Attention