تشخیص حملات سایبری در شبکه های اینترنت اشیا با استفاده از مدل های سلسله مراتبی یادگیری عمیق

تشخیص بهنگام حملات سایبری در شبکه های اینترنت اشیا به دلیل معماری توزیع شده، محدودیت منابع و تنوع پروتکل های ارتباطی، به یک چالش اساسی تبدیل شده است. این پژوهش با هدف طراحی یک مدل سلسله مراتبی و موازی مبتنی بر یادگیری عمیق برای افزایش دقت و کاهش نرخ خطای تشخیص حملات انجام شد. معماری پیشنهادی شبکه های عصبی کانولوشنی (CNN)، حافظه بلند مدت کوتاه مدت (LSTM) و واحدهای بازگشتی دروازه ای (GRU) را در دو مسیر موازی ترکیب می کند تا همزمان ویژگی های مکانی و زمانی داده های ترافیک شبکه را استخراج کند. این مدل بر روی مجموعه داده معتبر UNSW-NB۱۵ شامل ۲,۵۴۰,۰۴۴ رکورد ارزیابی شد. نتایج تجربی نشان داد که مدل موازی CNN-LSTM-GRU معادل ۹۳/۴۷ درصد دقت، ۹۴/۴۸ درصد صحت، ۹۴/۰۵ درصد فراخوانی و ۹۲/۷۰ درصد امتیاز عملکرد برتری در مقایسه با مدل های LSTM و GRU دارد. همچنین زمان استنتاج ۱۵/۷ میلی ثانیه ای برای هر نمونه قابلیت به کارگیری در سامانه های بلادرنگ را تایید می کند. این مطالعه اثبات می کند که معماری های هیبریدی موازی، راه حلی موثر و قابل اعتماد برای مقابله با تهدیدات سایبری در محیط های پیچیده اینترنت اشیا هستند.

Keywords:

اینترنت اشیا , تشخیص نفوذ , امنیت سایبری , یادگیری عمیق , مدل های ترکیبی , شبکه های عصبی کانولوشنی