بررسی روش‌های ترکیبی یادگیری فدرال و یادگیری عمیق در امنیت اینترنت اشیا

اینترنت اشیا یکی از پرکاربردترین فناوری‌های امروزی است و اغلب به عنوان یک شبکه متصل از اجزای ناهمگن توصیف می‌شود که سیستم‌ها و سرویس‌های هوشمند را قادر می‌سازد که داده‌ها را شناسایی، ضبط، توزیع و تجزیه و تحلیل ‌کنند. اکوسیستم اینترنت اشیا به سیستم‌های تشخیص نفوذ، برای کاهش حملات سایبری و بهره‌برداری از آسیب‌پذیری‌های امنیتی نیاز دارد. در این مقاله به بررسی خلاصه ای از روش‌های پیشرفته تشخیص نفوذ برای امنیت اینترنت اشیا اعم از الگوریتم هایی بر پایه یادگیری عمیق، یادگیری فدرال و یادگیری های توزیع شده می‌پردازد و نشان می دهد که می توان حریم خصوصی داده ها را در حین به اشتراک گذاشتن اطلاعات با سایر سیستم ها حفظ نمود و دقت و زمان محاسباتی را بهبود بخشید. همچنین زمینه‌های بالقوه ای هم برای تحقیقات آینده با توجه به چالشهای مطرح شده فراهم شده است.