مروری بر رویکردهای ترکیبی یادگیری عمیق برای تشخیص حملات سایبری در شبکه های اینترنت اشیاء با تاکید بر کارایی و مصرف منابع

شبکه های اینترنت اشیاء به دلیل وابستگی به دستگاه های با منابع محدود و ترافیک حجیم، با تهدیدات امنیتی فزاینده ای روبرو هستند. سیستم های تشخیص نفوذ سنتی به دلیل ناتوانی در شناسایی الگوهای پیچیده حملات جدید و تحمیل سربار محاسباتی زیاد، کارایی لازم را ندارند. این مقاله مروری، به بررسی ساختاریافته روش های یادگیری عمیق برای کشف حملات سایبری در شبکه های IoT می پردازد. هدف اصلی، تحلیل سیر تحول مدل ها از الگوریتم های کلاسیک به سمت معماری های ترکیبی یادگیری عمیق است که تعادل بهینه ای میان دقت تشخیص و مصرف منابع برقرار می کنند. با مرور هشت مطالعه کلیدی در حوزه های «تشخیص سبک»، «رویکردهای تطبیقی و توزیع شده» و «معماری های ترکیبی»، مشخص شد که مدل های ترکیبی با استخراج ویژگی های سلسله مراتبی، نقش کلیدی در کاهش نرخ هشدار کاذب و بهبود عملکرد سیستم دارند. همچنین چالش های عملیاتی نظیر مدیریت داده های حجیم، تاخیر زمانی و بهینه سازی انرژی مورد بررسی قرار گرفته اند. نتایج این پژوهش نشان می دهد که حرکت به سمت یادگیری فدرال و مدل های هوشمند مبتنی بر لبه، مسیر آینده برای دستیابی به سیستم های امنیت سایبری کم مصرف و مقیاس پذیر در محیط های IoT است. این مقاله علاوه بر شناسایی شکاف های پژوهشی، چارچوبی برای محققان جهت توسعه نسل بعدی سیستم های IDS ارائه می دهد.

کلیدواژه ها:

اینترنت اشیاء ، تشخیص حمله سایبری ، یادگیری عمیق ، مدل های ترکیبی ، امنیت سایبری