بهینه سازی مدل یادگیری عمیق برای تشخیص حمله در اینترنت اشیا

در شبکه‌های کامپیوتری، سیستم‌های تشخیص نفوذ ابزاری حیاتی برای نظارت بر فعالیت‌های شبکه و شناسایی تهدیدهای بالقوه محسوب می‌شوند. سیستم تشخیص نفوذ سیستمی است که ترافیک شبکه را برای فعالیت مشکوک رصد کرده و در صورت کشف چنین فعالیتی هشدار می‌دهد. برخی از سیستم‌های تشخیص نفوذ می‌توانند هنگام شناسایی فعالیت مخرب یا ترافیک غیرعادی اقداماتی از جمله مسدود کردن ترافیک ارسال شده از آدرس‌های ip مشکوک را انجام دهند. ارائه یک سیستم با دقت و صحت بالا برای امنیت شبکه اهمیت ویژه‌ای دارد. در این مقاله، نخست به مقدمه‌ای درباره سیستم‌های تشخیص نفوذ می‌پردازیم و سپس راهکار پیشنهادی خود را با استفاده از الگوریتم یادگیری عمیق معرفی خواهیم کرد. در پایان، نتایج این پژوهش را بررسی خواهیم کرد. برای ارزیابی عملکرد الگوریتم، از مجموعه داده kdd-nsl استفاده کردیم و معیارهای ارزیابی شامل دقت و صحت مورد بررسی قرار گرفته‌اند. مدل پیشنهادی ما شامل اجزای cnn و rnn می‌باشد که به صورت یک لایه متقاطع با یکدیگر ترکیب شده‌اند. لایه cnn قادر است ویژگی‌های کلی را استخراج کند، در حالی که لایه rnn ویژگی‌های دوره‌ای را تحلیل می‌کند. نتایج ارزیابی نشان‌دهنده عملکرد بی‌سابقه 98.96% در تمام معیارهاست که نمایانگر برتری این الگوریتم است.