روش های مقاوم سازی دستگاه های اینترنت اشیا در برابر حملات بات نت با استفاده از یادگیری تقویتی

با گسترش روزافزون دستگاه های اینترنت اشیا (IoT) در حوزه های مختلف زندگی روزمره، امنیت این دستگاه ها به یکی از چالش های اساسی دنیای فناوری تبدیل شده است. یکی از تهدیدات عمده ای که این دستگاه ها را هدف قرار می دهد، حملات بات نت بدافزارهای چندمرحله ای است. این نوع بات نت ها با استفاده از آسیب پذیری های امنیتی در دستگاه های IoT، می توانند طیف وسیعی از حملات سایبری از جمله فیشینگ، استخراج ارز دیجیتال و حملات انکار سرویس توزیع شده (DDoS) را اجرا کنند. در سال های اخیر، یادگیری ماشین به عنوان روشی امیدوارکننده برای تشخیص این نوع تهدیدات مطرح شده است. با این حال، بسیاری از مدل های سنتی یادگیری ماشین در مواجهه با الگوهای متغیر بدافزارها در محیط های واقعی با مشکل انحراف مدل روبه رو هستند و توانایی تعمیم پذیری محدودی دارند. در این میان، یادگیری تقویتی به دلیل ماهیت تطبیق پذیر و توانایی یادگیری در محیط های پویا، به عنوان راهکاری نوین برای تقویت سیستم های تشخیص نفوذ (IDS) مطرح شده است. این مقاله با رویکردی مروری، به بررسی روش های نوین مقاوم سازی دستگاه های اینترنت اشیا در برابر حملات بات نت با تکیه بر یادگیری تقویتی می پردازد. همچنین، چالش های اصلی در پیاده سازی این رویکردها از جمله طراحی پاداش، انحراف داده، و ارزیابی در شرایط واقعی مورد تحلیل قرار گرفته اند. در ادامه، مدل هایی مانند MalBoT-DRL که از ترکیب یادگیری عمیق و مکانیزم های آماری نوین بهره می برند، مورد بررسی قرار می گیرند.

Keywords:

بات نت , تشخیص نفوذ , اینترنت اشیا (IoT) , یادگیری تقویتی , تحلیل ترافیک شبکه , آمار افزایشی