مروری جامع بر سامانه های شناسایی نفوذ مبتنی بر یادگیری فدرال در محیط های Fog‑IoT با تمرکز بر چالش ها معماری ها مدل های یادگیری و مسیرهای آینده پژوهش

رشد سریع اینترنت اشیا و گسترش معماری های محاسباتی مه موجب ایجاد محیط های شبکه ای گسترده و توزیع شده شده است که با وجود مزایایی مانند کاهش تاخیر و پردازش نزدیک به منبع داده، با چالش های امنیتی قابل توجهی نیز روبه رو هستند. سامانه های شناسایی نفوذ به عنوان یکی از ابزارهای کلیدی در حفاظت از این زیرساخت ها مطرح شده اند، با این حال رویکردهای متمرکز یادگیری ماشین به دلیل نیاز به انتقال داده های خام، محدودیت های حریم خصوصی و هزینه های ارتباطی، در محیط های Fog‑IoT کارایی محدودی دارند. در این میان یادگیری فدرال به عنوان یک چارچوب یادگیری توزیع شده امکان آموزش مدل های هوشمند را بدون اشتراک گذاری مستقیم داده ها فراهم می کند و از این رو توجه بسیاری از پژوهشگران را در طراحی سامانه های شناسایی نفوذ جلب کرده است. این مقاله با ارائه یک مرور جامع به بررسی پژوهش های انجام شده در زمینه سامانه های شناسایی نفوذ مبتنی بر یادگیری فدرال در محیط های Fog‑IoT می پردازد. در این راستا معماری های رایج پیاده سازی یادگیری فدرال، مدل های یادگیری مورد استفاده در تشخیص نفوذ و مجموعه داده های متداول مورد تحلیل قرار می گیرند. همچنین چالش های اصلی این حوزه از جمله ناهمگونی داده ها، محدودیت منابع محاسباتی، هزینه های ارتباطی و آسیب پذیری در برابر حملات به فرآیند یادگیری فدرال بررسی می شوند. در نهایت روندهای پژوهشی نوظهور و مسیرهای آینده برای طراحی سامانه های شناسایی نفوذ مقیاس پذیر، ایمن و کارآمد در محیط های Fog‑IoT ارائه می شود.

کلیدواژه ها:

یادگیری فدرال ، شناسایی نفوذ ، اینترنت اشیا ، محاسبات مه ، امنیت شبکه