تحلیل و طراحی سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق برای شبکه های اینترنت اشیاء

با گسترش روزافزون شبکه های اینترنت اشیاء (IoT)، حفاظت از این شبکه ها در برابر حملات سایبری به چالشی اساسی تبدیل شده است. سیستم های تشخیص نفوذ سنتی به دلیل پیچیدگی های منحصربه فرد شبکه های IoT مانند ناهمگونی دستگاه ها، محدودیت منابع و حجم عظیم داده ها، کارایی مطلوبی ندارند. این مقاله یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق برای شبکه های IoT ارائه می دهد که با استفاده از معماری هیبریدی CNN-LSTM قادر به شناسایی دقیق انواع حملات است. رویکرد پیشنهادی شامل یک پیش پردازش چندمرحله ای برای استخراج ویژگی های موثر از ترافیک شبکه، یک ماژول کاهش ابعاد مبتنی بر اتوانکودر، و یک مدل یادگیری عمیق با قابلیت تشخیص حملات ناشناخته است. همچنین، یک استراتژی توزیع شده برای اجرای کارآمد مدل در محیط های با منابع محدود طراحی شده است. سیستم پیشنهادی روی چهار مجموعه داده استاندارد IoT-۲۳، UNSW-NB۱۵، N_BaIoT و TON_IoT مورد ارزیابی قرار گرفته و نتایج نشان می دهد که این سیستم دقت تشخیص ۹۸.۷%، نرخ مثبت کاذب ۰.۸% و قدرت تعمیم بالایی نسبت به روش های موجود دارد. علاوه بر این، سیستم پیشنهادی قادر به شناسایی ۹۴.۳% از حملات صفر-روز در آزمایش های مبتنی بر سناریو بوده است. از نظر کارایی، مدل پیشنهادی ۷۳% کاهش در مصرف حافظه و ۶۸% کاهش در زمان تشخیص نسبت به مدل های یادگیری عمیق پیشین نشان می دهد که آن را برای استقرار در دستگاه های IoT با منابع محدود مناسب می سازد.

کلیدواژه ها:

اینترنت اشیاء ، تشخیص نفوذ ، یادگیری عمیق ، امنیت سایبری ، CNN-LSTM ، تشخیص ناهنجاری ، محیط های با منابع محدود.