یک رویکرد یادگیری عمیق برای سیستم تشخیص نفوذ اینترنت اشیا

در شبکه های کامپیوتری، معرفی یک سیستم تشخیص نفوذ با دقت و صحت بالا امری حیاتی محسوب می شود. در این مقاله یک مدل پیشنهادی با استفاده از الگوریتم یادگیری عمیق ارائه و نتایج آن تحلیل شده اند. به منظور ارزیابی عملکرد این الگوریتم از دیتاست هایnsl-kdd ، unsw-nb15 و mqttاستفاده شده است. معیار های ارزیابی شامل دقت، صحت، امتیاز f1 و بازخوانی می باشد. رویکرد جدید با استفاده از الگوریتم ترکیبی که شامل شبکه عصبی کانولوشن (cnn) برای اینکه ویژگی های کلی را استخراج کند و حافظه طولانی کوتاه مدت (lstm) که ویژگی های دوره ای را استخراج می کند که در قالب یک لایه متقاطع به هم متصل شده اند، برای تشخیص نفوذ معرفی شده ‌است. این الگوریتم بالاترین دقت شناخته شده یعنی 100% را در مجموعه داده nsl- kdd نشان داد. در unsw-nb15 در همه معیارها به 99.99% رسیده است. همچنین در mqtt برای سه سطح انتزاعی از ویژگی ها، یعنی ویژگی های جریان مبتنی بر بسته، جریان یک طرفه و جریان دو طرفه به بالای 99% رسیده است که نشان از برتری این الگوریتم می باشد.