ارائه یک سیستم ترکیبی تشخیص نفوذ مبتنی بر یادگیری عمیق برای شبکه های اینترنت اشیا

اینترنت اشیا به عنوان یک فناوری شبکه جدید شامل مجموعه ای از تجهیزات فیزیکی مانند قطعات الکترونیکی، نرم افزار و حسگر می باشد. باتوجه به توسعه اینترنت اشیا در صنایع مختلف منجر شده است که حجم انبوهی از داده تولید شود و با تنوع و هوشمندی که در رفتارهای حمله سایبری رخ داده است سیستم های تشخیص نفوذ سنتی دیگر برای مواجهه با حجم انبوهی از داده ها مناسب نیستند. یادگیری عمیق زمان قابل توجه ای را برای پردازش داده های با ابعاد بالا صرفه جویی کرده است. مدل پیشنهادی ترکیبی از معماری شبکه باقیمانده(resnet) ، حافظه کوتاه مدت دو جهته(bilstm) برای استخراج ویژگی های مکانی و زمانی ترافیک شبکه و ترکیب شبکه عصبی کانولووشنال(cnn) و تحلیل مولفه اصلی هسته‌ای(kpca) برای استخراج ویژگی های حمله و شناسایی و طبقه بندی حملات درنظر میگیرد. همچنین از معماری شبکه باقیمانده(resnet) برای استخراج ویژگی فضایی و از حافظه کوتاه مدت دو جهته (bilstm) برای استخراج ویژگی زمانی بکار رفته است که بتواند به صورت موازی این ویژگی ها را استخراج کند و شبکه عصبی کانولووشنال (cnn) برای انجام شناسایی و طبقه بندی حمله در نظر گرفته شده است. در نهایت با استفاده از ویژگی های استخراج شده امکان تشخیص، طبقه بندی حملات در حجم انبوهی از داده ها ممکن میشود.