ارتقاء امنیت سایبری در زیرساختهای هوشمند: انرژی یک رویکرد تشخیص نفوذ نوین مبتنی بر یادگیری عمیق برای اینترنت اشیاء صنعتی

شناسایی حملات سایبری پیچیده در شبکه هایی با ترافیک نامتوازن هوشمند، چالش های قابل توجهی را برای سامانه های تشخیص نفوذ (IDS) ایجاد می کند. در این مقاله یک روش یادگیری عمیق پیشرفته مبتنی بر شبکه عصبی کانولوشنال علیه (Causal CNN) برای بهبود شناسایی کلاس های حملات نادر در ترافیک شبکه نامتوازن اینترنت اشیاء صنعتی پیشنهاد شده است. رویکرد ما یک تابع زیان وزن دار ترکیبی تطبیقی (AHWL) جدید را معرفی می کند که وزن های تابع زیان کانونی و تابع زیان آنتروپی متقاطع طبقه ای پراکنده را به صورت پویا بر اساس عملکرد مدل تنظیم می کند. به طور خاص، تابع زیان وزن مولفه ای را که کمترین خطا را دارد افزایش می دهد و مولفه ای را که بیشترین خطا را دارد جریمه می کند. در نتیجه اطمینان حاصل می شود که مدل به نمونه های حملات کمتر نشان داده شده حساس باقی می ماند. همه اینها بدون دستکاری در پایگاه داده اصلی است. روش پیشنهادی بر روی پایگاه های داده BoT IoT و ۲۰۱۷-CICIDS- ارزیابی شده و به طور قابل توجهی طبقه بندی نفوذهای نادر را بهبود می بخشد و در مقایسه با رویکردهای موجود، دقت، حساسیت، امتیاز F۱ و صحت بالاتری را به دست می آورد.

Keywords:

سیستم تشخیص نفوذ (IDS) , مسئله داده نامتوازن , یادگیری عمیق , تابع زیان تطبیقی , انترنت اشیاء , صنعتی , شبکه های هوشمند انرژی