بررسی سیستم تشخیص نفوذ در اینترنت اشیاء با استفاده از استخراج ویژگی والگوریتم های یادگیری عمیق

امروزه همراه با پیشرفت فناوری میزان حملات سایبری افزایش داشته که می توانند باعث آسیب پذیری، نفوذ در شبکه و سرقت اطلاعات شوند. حوزه اینترنت اشیاء نیز از این حملات مستثنا نیست. نظام های تشخیص نفوذ سنتی به دلیل محدودیت های خود، کارایی مناسبی در محیط های اینترنت اشیاء ندارند. استفاده از روش های یادگیری عمیق به همراه استخراج ویژگی های مناسب می تواند به افزایش دقت و کارایی سیستم تشخیص نفوذ کمک کند. در این راستا هدف اصلی پژوهش تبیین چگونگی تشخیص سیستم نفوذ در اینترنت اشیاء با استفاده از استخراج ویژگی و الگوریتم های یادگیری عمیق می باشد. پژوهش انجام شده به روش توسعه ای کاربردی بوده و همچنین به منظور پیاده سازی روش پیشنهادی از دیتاست KDD CUP ۱۹۹۹ استفاده شده است. جامعه آماری این پژوهش شامل کلیه داده های مرتبط با ترافیک شبکه های اینترنت اشیاء و حملات سایبری هستند. از شبکه حافظه طولانی کوتاه مدت دو طرفه برای بررسی و تحلیل داده های مربوط به حملات در شبکه های اینترنت اشیاء به صورت کاملا نوآورانه استفاده شد. در این تحقیق، از روش نرمال سازی برای داده ها و برای پاک سازی داده ها از شناسایی و حذف داده های مفقود، شناسایی و حذف نویز و شناسایی و تصحیح داده های نامعتبر و همچنین استخراج ویژگی های جدید با استفاده از الگوریتم های یادگیری ماشین استفاده شده است. نتایج نشان داد مدل تشخیص نفوذ مبتنی بر شبکه های حافظه طولانی کوتاه مدت و حافظه طولانی کوتاه مدت دوطرفه توسعه داده شده توانست به دقت بسیار بالای ۹۹.۴% در شناسایی حملات در شبکه های اینترنت اشیاء دست یابد. استفاده از شبکه های حافظه طولانی کوتاه مدت و حافظه طولانی کوتاه مدت دو طرفه به دلیل قابلیت پردازش داده های توالی دار و شناسایی الگوهای زمانی، برای تشخیص نفوذ در شبکه های اینترنت اشیاء بسیار موثر است.