استفاده از ویژگی های یادگیری عمیق برای بهبود تشخیص نفوذ در محیط اینترنت اشیا

امروزه، ویژگی های کاربردی محیط اینترنت اشیا باعث شده تا استفاده از آن روز به روز بیشتر شود. از طرفی، گسترش شبکه های اینترنت اشیا، احتمال بروز حملات به این محیط را افزایش داده است. از این رو، محققان زیادی سعی در بهبود امنیت این سیستم ها نموده اند. با این حال، عدم آزمایش روش های ارائه شده بر روی مجموعه داده ها با ابعاد و مشخصات متفاوت و همچنین پایین بودن نرخ برخی معیارهای ارزیابی کارآیی، تحقیق در این زمینه را به امری ضروری تبدیل کرده است. در این مقاله، با استفاده از الگوریتم یادگیری عمیق موسوم به نقشه خودسازمان دهی، ابعاد غیر ضروری در مجموعه داده کنار گذاشته شده تا در مرحله دسته بندی که با الگوریتم تابع پایه شعاعی صورت گرفته، نتایج بهتری از دسته بندی داده ها به دست آید. نتایج آزمایش روی دو مجموعه داده CICIDS۲۰۱۷ و IoTID۲۰ با مشخصات آماری مختلف از جمله دقت ۰.۹۹۹ و ۰.۹۹۶ برای دسته بندی دودویی و دقت ۰.۹۹۵ و ۰.۹۹۴ برای دسته بندی چند کلاسه نشان می دهد که روش پیشنهادی می تواند گزینه مناسبی برای تشخیص نفوذ در محیط اینترت اشیا باشد.

Keywords:

اینترنت اشیا , نقشه خودسازمان دهی , شبکه تابع پایه شعاعی , تشخیص نفوذ , یادگیری عمیق