معماری هوشمند تشخیص نفوذ لبه محور در شبکه های اینترنت اشیاء

محدودیت منابع پردازشی حافظه و انرژی در تجهیزات اینترنت اشیاء (IoT) استفاده از روشهای سنتی تشخیص نفوذ مبتنی بر پردازش متمرکز را با چالش مواجه کرده است. در این پژوهش یک معماری هوشمند سبک وزن و توزیع شده برای تشخیص نفوذ در لبه شبکه ارائه می شود. هدف اصلی این معماری انتقال فرآیند تحلیل و تصمیم گیری امنیتی از مراکز پردازشی مرکزی به دروازه های لبه اینترنت اشیاء Gateway با هدف کاهش تاخیر، کاهش وابستگی به زیر ساخت های مرکزی و افزایش سرعت واکنش به تهدیدات است. در روش پیشنهادی داده های شبکه پس از استخراج و انتخاب ویژگی های حیاتی توسط مدل های سبک وزن یادگیری ماشین مورد تحلیل رفتار محور قرار می گیرند تا الگوهای غیرعادی و فعالیت های مشکوک شناسایی شوند. معماری ارائه شده با ترکیب هوش لبه ای تحلیل رفتار، شبکه انتخاب ویژگی های موثر و سازوکار پاسخ دهی تطبیقی امکان توسعه به سمت یادگیری فدرال و امنیت توزیع شده را فراهم می کند. نتایج تحلیل معماری پیشنهادی نشان می دهد که این رویکرد می تواند با ایجاد تعادل میان الزامات امنیتی و محدودیت های سخت افزاری موجب کاهش سربار پردازشی، بهبود کارایی و افزایش سازگاری سیستم های تشخیص نفوذ در محیط های پویا و کم منبع اینترنت اشیاء شود.

کلیدواژه ها:

اینترنت اشیاء (IoT) ، تشخیص نفوذ ، هوش لبه ای ، یادگیری ماشین سبک وزن ، تحلیل رفتار محور ، یادگیری فدرال