CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

تشخیص نفوذ به کمک شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا

عنوان مقاله: تشخیص نفوذ به کمک شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا
شناسه ملی مقاله: ICTI04_023
منتشر شده در چهارمین کنفرانس ملی فناوریهای نوین در مهندسی برق و کامپیوتر در سال 1400
مشخصات نویسندگان مقاله:

ناهید معینی - دانشجو کارشناسی ارشد مهندسی کامپیوتر، شبکه های کامپیوتری موسسه جهاد دانشگاه استان اصفهان- ایران
سعید نصری - استادیار دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

خلاصه مقاله:
اینترنت اشیا تکنولوژی نسبتا جدیدی است که با استفاده از این تکنولوژی می توان اشیا و دستگاه های مختلفی را به هم متصل کرده و بجای نظارت شخصی بر آن ها، از نظارت هوشمند سیستم های کامپیوتری بر روی آن ها بهره گرفت. یکی از معضلات استفاده از چنین سیستم هایی نفوذ افراد غیرمجاز به سیستم و استفاده از اطلاعات آن با انجام دستکاری های غیرمجاز در آن است. این قابلیت باعث می شود تا داده های موجود توسط افراد غیرمجاز مورد دسترسی قرار گرفته و انجام خرابکاری در این شبکه ها ممکن گردد. هرکدام از این اشیاء هوشمند، یک آدرس پروتکل اینترنتی مختص به خود را خواهند داشت تا ابزاری که به ارسال یا دریافت اطلاعات می پردازد، قابل تشخیص شود. با رشد فناوری اطلاعات، امنیت شبکه به عنوان یکی از مباحث مهم وچالش بسیار بزرگ مطرح است. سیستم های تشخیص نفوذ، مولفه اصلی یک شبکه امن است. در تحقیق حاضر جهت تشکیل شبکه عصبی عمیق و تشخیص نفوذ از پایگاه داده KDDCup۹۹ ' NSL-KDD استفاده می شود. جهت آموزش شبکه داده ها در دو دسته آموزش و آزمایش آماده سازی می شود و به کمک شبکه های عصبی عمیق دقت تشخیص نفوذ بهبود می یابد. شبکه عصبی عمیق پیشنهادی دارای لایه ورودی، لایه های کاملا مرتبط، لایه Sofimax و لایه طبقه بندی هستند که براساس معماری های مختلف نظیر BILSTM 'LSTM و GRU ایجاد می شود. در نهایت مدل شبکه BILSTM به عنوان شبکه عصبی عمیق جهت ارائه سیستم تشخیص نفوذ به کمک شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا انتخاب شد.

کلمات کلیدی:
اینترنت اشیا، امنیت شبکه، شبکه عصبی عمیق، تشخیص نفوذ

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1290770/