تشخیص هوشمند حملات DDoS در دستگاه های اینترنت اشیا با استفاده از رویکرد ترکیبی شبکه های عصبی CNN، LSTM و FFNN

با گسترش استفاده از دستگاه های اینترنت اشیا، حملات سایبری، به ویژه حمله منع سرویس توزیع شده، پیچیده تر و تشخیص آن ها به چالشی اساسی تبدیل شده است. تحقیقات نشان می دهد شبکه های عصبی عمیق به دلیل سازگاری با داده های حجیم، عملکرد مطلوبی دارند. در این پژوهش، عملکرد مدل های یادگیری عمیق در تشخیص حملات سایبری در شبکه های توزیع شده بررسی و مقایسه شده است. چهار مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی، حافظه طولانی کوتاه، شبکه عصبی پیش خور و ترکیب آن ها CNN-FFNN) و (CNN-LSTM برای تحلیل داده های ترافیک شبکه ارزیابی شدند. مدل ها با دیتاست Bot-IoT آموزش دیدند و عملکردشان بر اساس معیار دقت سنجیده شد. نتایج نشان می دهد ترکیب شبکه عصبی کانولوشنی و حافظه طولانی کوتاه مدت با بهره گیری از ویژگی های مکانی و وابستگی های زمانی، بالاترین دقت را در تشخیص حملات پیچیده؛ مانند حملات منع سرویس توزیع شده دارد. این مدل می تواند ویژگی های پنهان را از داده های خام استخراج و روابط زمانی حملات را شبیه سازی کند که در محیط های اینترنت اشیا و محاسبات رایانش مه برای شناسایی تهدیدات تدریجی و پیچیده حائز اهمیت است. همچنین ترکیب شبکه عصبی کانولوشنی و شبکه عصبی پیش خور نیز در تشخیص تهدیدات سریع تر و پیچیدگی کمتر، عملکرد قابل توجهی داشته است. در نهایت این پژوهش بر اهمیت ترکیب مدل های یادگیری عمیق در بهبود دقت سیستم های تشخیص حملات سایبری تاکید کرده و راهکارهایی مبتنی بر معماری های توزیع شده برای امنیت شبکه های اینترنت اشیا و رایانش مه پیشنهاد می دهد.

کلیدواژه ها:

شبکه عصبی پیش خور ، حافظه طولانی کوتاه مدت ، اینترنت اشیا ، یادگیری عمیق ، شبکه عصبی کانولوشن