ارائه یک سیستم ترکیبی تشخیص نفوذ مبتنی بر یادگیری عمیق برای شبکه های اینترنت اشیا

اینترنت آشیا به عنوان یک فناوری شبکه جدید شامل مجموعه ای از تجهیزات فیزیکی مانند قطعات الکترونیکی، نرمافزار و حسگر می باشد. باتوجه به توسعه اینترنت اشیا در صنایع مختلف منجر شده است که حجم انبوهی از داده تولیدشود و با تنوع و هوشمندی که در رفتارهای حمله سایبری رخ داده است سیستم های تشخیص نفود سنتی دیگر برایمواجهه با حجم انبوهی از داده ها مناسب نیستند. بادگیری عمیق زمان قابل توجه ای را برای پردازش داده های با ابعادبالا صرفه جویی کرده است. مدل پیشنهادی ترکیبی از معماری شبکه باقیمانده (Resnet)، حافظه کوتاه مدت دوجهته (Bilstm) برای استخراج ویژزگی های مکانی و زمانی ترافیک شبکه و ترکیب شبکه عصبیکانولووشنال (CNN) و تحلیل مولفه اصلی هسته ای (kpca) برای استخراج ویژگی های حمله و شناسایی و طبقهبندی حملات درنظر میگیرد. همچنین از معماری شبکه باقیمانده (Resnet) برای استخراج ویژگی فضایی و ازحافظه کوتاه مدت دو جهته (Bilstm) برای استخراج ویژگی زمانی بکار رفته است که بتواند به صورت موازی اینویژگی ها را استخراج کند و شبکه عصبی کانولووشنال (CNN) برای انجام شناسایی و طبقه بندی حمله در نظرگرفته شده است. در نهایت با استفاده از ویژگی های استخراج شده امکان تشخیصT طبقه بندی حملات در حجمآنبوهی از داده ها ممکن می شود.

Keywords:

سیستم های تشخیص نفوذ , (BiLSTM) , ادغام ویژگی , شبکه های اینترنت اشیاء