ارائه امنیت تطبیقی آگاه از زمینه با اولویت دهی سیاست ها بر اساس ماهیت و سطح ریسک هر دستگاه با کمک یادگیری عمیق

با گسترش سریع دستگاه های اینترنت اشیا (IoT) در محیط های متنوع نیاز به سازوکارهای امنیتی تطبیقی که بتوانند با ناهمگنی، پویایی و محدودیت منابع در شبکه های IoT سازگار شوند اهمیت بیشتری یافته است. سیاست های امنیتی سنتی که برای محیط های ایستا طراحی شده اند توانایی پاسخگویی به تغییرات بلادرنگ، تهدیدات نوظهور و ویژگی های متفاوت دستگاه های IoT را ندارند. این مقاله یک چارچوب امنیتی مبتنی بر لبه (Edge) ارائه می کند که به طور پویا سیاست های امنیتی را براساس وضعیت محیط، الزامات مقرراتی، ریسک های ارزیابی شده و ویژگی های دستگاه تولید و تنظیم می کند. چارچوب پیشنهادی شامل ماژول هایی برای تولید سیاست، تطبیقی، حل تعارض، ارزیابی ریسک، تحلیل مقررات، وزن دهی دستگاه و سازوکارهای هوشمند مبتنی بر یادگیری عمیق است. این رویکرد امکان ایجاد سیاست های امنیتی دقیق، قابل انعطاف و آگاه از زمینه را فراهم کرده و منجر به افزایش تاب آوری، کاهش سطح حمله و بهبود انطباق در محیط های IoT می شود. ارزیابی ها و آزمون های عملی نشان می دهند که چارچوب پیشنهادی می تواند در مقایسه با روش های سنتی امنیت، پویایی و سازگاری بسیار بیشتری فراهم کند.

کلیدواژه ها:

اولویت بندی آسیب پذیری ، سیاست امنیتی ، اینترنت اشیاء ، ارزیابی ریسک