ارتقای امنیت شبکه با یکپارچه سازی بینایی ماشین و تشخیص نفوذ چندلایه

با گسترش شبکه های هوشمند سامانه های اینترنت اشیا (IoT) زیرساخت های متصل، مسئله امنیت از تحلیل صرف ترافیک شبکه فراتر رفته و رخدادهای فیزیکی و بصری نیز باید در فرآیند تشخیص دخیل شوند. هدف این مقاله طراحی و پیشنهاد یک چارچوب ترکیبی شش لایه مبتنی بر بینایی ماشین و پردازش تصویر برای ارتقای امنیت شبکه است که در آن تصاویر محیطی پس از پیش پردازش با مدل های یادگیری عمیق تحلیل شده و رخدادهای مشکوک به عنوان هشدار امنیتی ثبت می گردند. روش پیشنهادی بر پایه ادغام حسگر-تصویر استوار است. حسگر PIR نقش فعال ساز اولیه را دارد و دوربین را تنها در لحظه تشخیص حرکت روشن می کند؛ سپس الگوریتم Faster R-CNN تصویر دریافتی را تحلیل کرده و یک طبقه بند امنیتی رخداد را به یکی از سه برچسب «عادی»، «مشکوک» یا «نفوذ» تبدیل می کند. این معماری از مفاهیم تشخیص نفوذ، تشخیص شیء و ادغام چندحسگری بهره می گیرد و در سه حالت Hybrid، Edge-only و Cloud-based قابل پیاده سازی است. این پژوهش صرفا بر پایه تحلیل نظری و مقایسه با پژوهش های مشابه ارائه شده که دقت هایی تا ۹۲.۵ درصد گزارش کرده اند؛ بر این اساس انتظار می رود رویکرد ترکیبی پیشنهادی، با کاهش فریم های پردازشی از طریق سیگنال PIR هم به بهبود دقت تشخیص و هم به کاهش تاخیر کلی سامانه کمک کند. همچنین پیش بینی می شود نرخ هشدار کاذب نسبت به روش های تک منبعی کمتر باشد. تایید این فرضیه ها مستلزم اجرای آزمایش های تجربی در محیط واقعی است که به عنوان کار آینده پیشنهاد می شود.

کلیدواژه ها:

بینایی ماشین ، پردازش تصویر ، امنیت شبکه ، تشخیص نفوذ ، یادگیری عمیق