تشخیص حمله در شبکه اینترنت اشیا صنعتی با استفاده از مدل ترکیبی شبکه عصبی پیچشی و بهینه سازی گورکن عسل

گسترش فزاینده کاربردهای اینترنت اشیا در زیرساخت های راهبردی از جمله سامانه های مالی، محیط های تولید هوشمند و تاسیسات تولید انرژی معماری های عملیاتی صنایع را به سمت دیجیتال سازی یکپارچه و پایش داده محور سوق داده است. در بستر سیستم های کنترل قدرت، ظهور اینترنت اشیای صنعتی موجب تحول در سازوکارهای نظارتی و تصمیم گیری بلادرنگ شده است؛ با این وجود اتصال تدریجی سامانه های کنترلی میراثی که پیش تر بر مبنای جداسازی فیزیکی طراحی شده بودند به شبکه های باز و ناهمگن مرزهای امنیتی سنتی را تضعیف کرده و بردارهای حمله جدیدی را ایجاد نموده است. این همگرایی سایبری-فیزیکی کاستی های امنیتی نهفته در زیرساخت های قدیمی فناوری اطلاعات و ارتباطات را به محیط های عملیاتی حساس منتقل کرده و سطح ریسک تهدیدات پیشرفته را افزایش داده است. در پاسخ به این شرایط، رویکردهای نوین دفاع سایبری با تمرکز بر کشف ناهنجاری، تحلیل رفتاری و شناسایی هوشمند نفوذ در اکوسیستم اینترنت اشیای صنعتی مورد توجه قرار گرفته اند. هرچند استقرار مستقیم مدل های امنیتی جدید در شبکه های کنترل قدرت به دلیل عدم اطمینان از سازگاری عملکردی و پیامدهای بالقوه بر پایداری سیستم، مستلزم طراحی چارچوب های قابل اتکا و ارزیابی شده است. در همین راستا پژوهش حاضر یک سامانه تشخیص حملات سایبری مبتنی بر راهبرد یادگیری عمیق تجمیعی و بهینه سازی فراابتکاری ارائه می کند که طی آن داده های اولیه از طریق مقیاس بندی حداقل-حداکثر همگن سازی شده سپس با بهره گیری از الگوریتم بهینه سازی گورکن عسل فرآیند گزینش ویژگی های موثر انجام می شود و در ادامه یک معماری ترکیبی متشکل از شبکه عصبی پیچشی و شبکه باور عمیق برای مدل سازی الگوهای پیچیده و تفکیک کلاس های ترافیک به کار گرفته می شود؛ نتایج تحلیل های مقایسه ای نشان می دهد که چارچوب پیشنهادی از منظر دقت و کارایی، تشخیص عملکردی برتر نسبت به روش های مرسوم ارائه می دهد.

کلیدواژه ها:

اینترنت اشیا ، امنیت شبکه عصبی ، پیچشی ، شبکه باور عمیق ، بهینه سازی گورکن عسل