تشخیص نفوذ در شبکه های اینترنت اشیا-رایانش ابری در سطح رایانش مه و لبه مبتنی بر یادگیری تقویتی-فدراسیونی

شبکه های کامپیوتری نیاز به امنیت دارند که مهمترین چالش آن ها می باشد. در شبکه های ترکیبی اینترنت اشیا-رایانش ابری، مسئله امنیت یک موضوع حیاتی است تا هرگونه تهاجم به شبکه تشخیص داده شود. همین طور برای کاهش حجم محاسبات در این شبکه ها برای بقای بیشتر و بهبود میان مصرف انرژی و معیارهای کیفیت خدمات، مسئله امنیت را می توان در سطح رایانش مه و لبه ارائه نمود. یکی از سیستم هایی که می تواند هرگونه تهاجم را شناسایی و تشخیص بدهد، سیستم های تشخیص نفوذ هستند که انواع مختلفی از حملات را ردیابی می کنند. اما پیچیدگی محاسباتی بالا، عدم مقیاس پذیری در انواع شبکه ها، عدم تعمیم پذیری، عدم دقت کافی و عدم بررسی میزان مصرف انرژی و معیارهای کیفیت خدمات در زمان استفاده از سیستم های تشخیص نفوذ در شبکه ها، چالش های بازی را در این زمینه ارائه نموده است. لذا این تحقیق یک روش سریع و همه جانبه با رویکرد ترکیبی یادگیری تقویتی از نوع q-learning مبتنی بر یادگیری فدراسیونی تحت عنوان rqfl ارائه می دهد که می تواند حملات محرومیت از خدمات و محرومیت از خدمات توزیع شده را با دقتی بالا و در نظر گرفتن انرژی مصرفی و معیارهای کیفیت خدمات تشخیص دهد.