شناسایی ترافیک بدخواه در زیرساخت اینترنت اشیاء با استفاده از شبکه عصبی و یادگیری عمیق

اینترنت اشیاء شبکه‌ای از دستگاه‌ها و تجهیزات فیزیکی دربردارنده حسگرها، نرم‌افزارها و سایر فناوری‌ها به‌منظور تبادل داده با سایر دستگاه‌ها و سامانه‌ها از طریق اینترنت است. گسترش اینترنت اشیاء در حوزه‌های بهداشت و درمان هوشمند، کشاورزی هوشمند، شهر هوشمند، خانه هوشمند و سایر حوزه‌ها انقلابی در زندگی بشر ایجاد کرده است. با توجه به اهمیت اینترنت اشیاء شناسایی ناهنجاری و ترافیک مخرب در آن برای حفظ حریم خصوصی، پایداری شبکه و مسدودسازی رفتارهای ناخواسته ضروری است. به دلیل خاصیت محدودیت منابع در دستگاه‌های اینترنت اشیاء، شیوه‌های سنتی نمی‌توانند مستقیماً برای ایمن‌سازی دستگاه‌ها و شبکه اینترنت اشیاء مورداستفاده قرار گیرند. برای رفع این مشکل یک روش شناسایی مبتنی بر شبکه‌های عصبی مصنوعی و یادگیری عمیق برای شناسایی ناهنجاری و ترافیک مخربی که هیچ‌گونه اطلاعات از پیش تعیین‌شده‌ای درباره آن‌ها وجود ندارد، توسعه داده‌شده است. مجموعه داده‌های مورداستفاده در این روش ترکیبی از ترافیک مخرب و سالم جمع‌آوری‌شده از منابع مرتبط و استخراج ویژگی به‌صورت دستی است. شبکه عصبی مصنوعی عمیق بر روی مجموعه داده و پیش‌پردازش شده اعمال گردید و نتایج حاصل با برخی از الگوریتم‌های یادگیری ماشین مرسوم مورد بررسی قرار گرفت. نتایج به دست آمده نشان می‌دهد که مدل طراحی‌شده با استفاده از شبکه عصبی و یادگیری عمیق قادر به شناسایی ناهنجاری و ترافیک بدخواه در شبکه اینترنت اشیاء با نرخ صحت بیش از 98.9% و نرخ دقت 99.3% است. علاوه بر این، سرعت شناسایی در مقایسه با الگوریتم‌های یادگیری ماشین 1.7 برابر سریع‌تر است.

identify malicious traffic on iot infrastructure using neural networks and deep learning

the internet of things is a network of physical devices and equipment that includes sensors, software, and other technologies for exchanging data with other devices and systems over the internet. the spread of the internet of things in the fields of smart health, smart agriculture, smart city, smart home, has revolutionized human life. given the importance of the internet of things, identifying anomalies and malicious traffic is essential to maintaining privacy, network stability, and blocking unwanted behaviors. due to the limited resources on iot devices, traditional methods cannot be used directly to secure iot devices and networks. to solve this problem, an artificial neural network-based identification method and in-depth learning has been developed to identify malformations and malicious traffic about which there is no predefined information. the data set used in this method is a combination of malicious and healthy traffic collected from related sources and feature extraction manually. deep artificial neural network was applied to the data set and preprocessed and the results were analyzed with some conventional machine learning algorithms. the results show that the model designed using neural network and deep learning is able to detect anomalies and malicious traffic in the internet of things with an accuracy rate of more than 98.9% and an accuracy rate of 99.3%. in addition, the detection speed is 1.7 times faster than machine learning algorithms.