ارائه یک روش تشخیص نفوذ در اینترنت اشیا با بهره‌گیری از کدگذارهای عمیق برای تقویت داده‌ها

سیستم‌های تشخیص نفوذ مبتنی بر یادگیری ماشین دارای قابلیت‌های بالایی در تشخیص خطرات احتمالی هستند. با این وجود شناسایی حملات در شبکه های بزرگ iot چالش‌برانگیز است و می تواند موجب عملکرد ناموفق در مدل تشخیص شود، به‌خصوص زمانی که نمونه‌های کافی برای برخی از حملات وجود ندارد. در این راستا، این مقاله از ترکیب روش‌های یادگیری عمیق و اصول آماری برای حل مسئله تشخیص حملاتی که نمونه‌های کمی در دسته های آموزش الگوریتم دارند، استفاده می‌نماید و یک رویکرد تشخیص حملات برای محیط iot ارائه می‌دهد. این روش بر مبنای کدگذار خودکار شرطیِ بهبود یافته ساخته شده است. روش پیشنهادی از معماری شبکه gan، برای تولید داده مصنوعی، از طریق توزیع احتمال خروجی، کدگذار بهره می‌برد. مدل برای تخمین توزیع پسین نمونه‌های مختلف، به نحوی که توزیع نمونه‌هایِ هم‌گروه به یکدیگر نزدیک و متمرکز شوند، آموزش می‌بیند. سپس توزیع‌های نمونه‌های مختلف از کلاس‌ها در فضای پنهان ایجاد می‌گردند. در فضای پنهان مدل، متغیرهای پنهان، براساس مرزِ کلاس به طور تطبیقی تولید می‌شوند. براساس داده‌های مرز کلاس، کدگذار اقدام به تولید داده‌های مصنوعی کرده تا تعادل مجموعه داده را ایجاد نماید، نمونه‌های اصلی با نمونه‌های تولیدی ترکیب شده تا فرایند آموزش مدل و توانایی کلی آن در تشخیص نفوذ، بهبود یابد.