نگرش ترکیبی برخی ویژگی‌های یادگیری عمیق برای سیستم تشخیص نفوذ در شبکه‌های iot مبتنی بر sdn

مرور ادبیات نشان می‌دهد که به دلیل روند رو به رشد دستگاه‌های متصل به اینترنت، طی سالیان اخیر حملات علیه اینترنت اشیاء به طور فزاینده‌ای در حال افزایش است. شبکه نرم‌افزار محور (sdn) یک فناوری پیشرفته امیدوارکننده رایانه‌ای است که اینترنت اشیاء (iot) را پشتیبانی می‌کند. سیستم تشخیص نفوذ شبکه یک مولفه ضروری در محیط شبکه sdn-iot است تا حملات را شناسایی کرده و آن‌ها را به دسته‌های مختلف طبقه‌بندی کند. در ادامه، این مقاله یک رویکرد مبتنی بر یادگیری عمیق را پیشنهاد می‌کند که حملات را شناسایی کرده و آن‌ها را به دسته‌های حملات مختلف طبقه‌بندی می‌کند. این مدل ویژگی‌های درونی را از لایه‌های یادگیری عمیق واحد بازگشتی درهم‌تنیده (the gated recurrent unit) (gru) استخراج کرده و سپس ویژگی‌های بهینه با استفاده از تحلیل مولفه‌های اصلی هسته‌ای (kernel-pca) استخراج می‌شوند. در مرحله بعد، ویژگی‌ها ترکیب شده و تشخیص حمله و طبقه‌بندی آن توسط شبکه عصبی کاملاً متصل انجام می‌شود. شبکه پیشنهادی gru با ادغام ویژگی‌ها، عملکرد بهتری نسبت به مدل gru و سایر مدل‌های مبتنی بر یادگیری ماشین کلاسیک داشته است. روش پیشنهادی می‌تواند به صورت آنی برای نظارت موثر بر ترافیک شبکه در محیط sdn-iot مورد استفاده قرار گیرد تا حملات احتمالی را به صورت پیش‌گیرانه هشدار دهد و آن‌ها را به دسته‌های مختلف حملات طبقه‌بندی کند.