نگرش ترکیبی برخی ویژگی های یادگیری عمیق برای سیستم تشخیص نفوذ در شبکه های IoT مبتنی بر SDN

مرور ادبیات نشان می دهد که به دلیل روند رو به رشد دستگاه های متصل به اینترنت، طی سالیان اخیر حملات علیه اینترنت اشیاء به طور فزاینده ای در حال افزایش است. شبکه نرم افزار محور (SDN) یک فناوری پیشرفته امیدوارکننده رایانه ای است که اینترنت اشیاء (IoT) را پشتیبانی می کند. سیستم تشخیص نفوذ شبکه یک مولفه ضروری در محیط شبکه SDN-IoT است تا حملات را شناسایی کرده و آن ها را به دسته های مختلف طبقه بندی کند. در ادامه، این مقاله یک رویکرد مبتنی بر یادگیری عمیق را پیشنهاد می کند که حملات را شناسایی کرده و آن ها را به دسته های حملات مختلف طبقه بندی می کند. این مدل ویژگی های درونی را از لایه های یادگیری عمیق واحد بازگشتی درهم تنیده (the gated recurrent unit) (GRU) استخراج کرده و سپس ویژگی های بهینه با استفاده از تحلیل مولفه های اصلی هسته ای (kernel-PCA) استخراج می شوند. در مرحله بعد، ویژگی ها ترکیب شده و تشخیص حمله و طبقه بندی آن توسط شبکه عصبی کاملا متصل انجام می شود. شبکه پیشنهادی GRU با ادغام ویژگی ها، عملکرد بهتری نسبت به مدل GRU و سایر مدل های مبتنی بر یادگیری ماشین کلاسیک داشته است. روش پیشنهادی می تواند به صورت آنی برای نظارت موثر بر ترافیک شبکه در محیط SDN-IoT مورد استفاده قرار گیرد تا حملات احتمالی را به صورت پیش گیرانه هشدار دهد و آن ها را به دسته های مختلف حملات طبقه بندی کند.

Keywords:

یادگیری عمیق , شبکه نرم افزار محور , اینترنت اشیاء , سیستم تشخیص نفوذ