مروری بر معماری های ترکیبی یادگیری عمیق برای تشخیص نفوذ در شبکه های اینترنت اشیاء

گسترش روزافزون شبکه های اینترنت اشیاء و ماهیت محدود منابع در گره های این شبکه، چالش های امنیتی نوینی را در برابر حملات سایبری پیچیده ایجاد کرده است. در این میان، استفاده از یادگیری عمیق به عنوان راهکاری قدرتمند برای تشخیص نفوذ مطرح شده است. با این حال، نیاز به مدل هایی که همزمان از دقت بالا و کارایی محاسباتی برخوردار باشند، منجر به ظهور معماری های ترکیبی شده است. این مقاله به بررسی و واکاوی معماری های ترکیبی یادگیری عمیق در سامانه های تشخیص نفوذ برای شبکه های اینترنت اشیاء می پردازد. در این مطالعه، ضمن طبقه بندی رویکردهای نوین شامل مدل های سبک وزن مبتنی بر کانولوشن، یادگیری فدرال و سازوکارهای مبتنی بر توجه، چالش های کلیدی مانند محدودیت های حافظه و انرژی بررسی شده اند. نتایج این بررسی نشان می دهد که ترکیب مدل های یادگیری عمیق با تکنیک های بهینه سازی منابع و قابلیت های توضیح پذیری، ضمن افزایش دقت در شناسایی تهدیدات چندلایه، پایداری و امنیت شبکه را در محیط های واقعی IoT ارتقا می بخشد. در نهایت، مسیرهای پژوهشی آینده برای دستیابی به سامانه های خودتطبیق گر و کارآمد ترسیم شده است.

کلیدواژه ها:

اینترنت اشیاء ، تشخیص نفوذ ، یادگیری عمیق ترکیبی ، معماری های سبک وزن