نور حسن هادی - گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه امام رضا (ع)، مشهد، ایران
عباس مهدی زاده - استادیار، گروه کامپیوتر، موسسه آموزش عالی فردوس، مشهد، ایران

امروزه با توسعه فناوری و رشد اینترنت اشیا، حملات سایبری در حال افزایش است. دستگاه های اینترنت اشیا میتوانند در معرض تهدیدات و خطرات مختلف هکرها و بدافزارها از جمله سرقت اطلاعات، جعل و انکار سرویس قرار گیرند و خسارات مادی و معنوی زیادی به افراد و سازمانها وارد کنند. بنابراین لازم است تدابیر امنیتی در این زمینه اتخاذ شود. تحقیقات اخیر در مورد مکانیسمهای امنیتی دستگاه های اینترنت اشیا و سیستمهای تشخیص نفوذ و ناهنجاری، نشان دهنده رواج استفاده از الگوریتمهای یادگیری ماشین (ML) برای شناسایی ترافیک مخرب است که با استفاده از یک شبکه عصبی قادر به یادگیری یک مدل برای نمایش توالی از ارتباطات بین رایانه ها در یک شبکه است و با تحلیل و انتخاب ویژگیهای درست، حملات متراکم با دقت بیشتری تشخیص داده میشوند. در این تحقیق، یک مدل تشخیص نفوذ مبتنی بر استخراج و انتخاب ویژگی و طبقهبندی شبکه های عصبی پیشنهاد شده است. ابتدا مجموعه داده جمع آوری شده و سپس داده های ورودی از قبل پردازش میشوند تا نویزها و داده های از دست رفته و افزونه حذف شوند و در ادامه اجرای فرآیند انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی انتخابی، ابعاد مجموعه داده های کاهش مییابد. پس از آن، با استفاده از طبقهبندی شبکه های عصبی میتوان یک مدل تشخیص نفوذ را برای یافتن حملات سیستم مبتنی بر IDS ساخت. نتایج ارزیابی ها نشان میدهد که روش پیشنهادی نسبت به روشهای موجود توانسته است نتایج به مراتب بهتری را ارائه کند.

اینترنت اشیا (IoT)، سیستم تشخیص نفوذ، طبقهبندی، شبکه عصبی، انتخاب ویژگی چندهدفه