بهره‌گیری از هوش مصنوعی در تشخیص نفوذ iot: نقش یادگیری انتقالی چندمنبعی و شبکه‌های عصبی کانولوشنی

این مقاله به بررسی روش‌های نوین یادگیری انتقالی چندمنبع برای بهبود دقت تشخیص نفوذ در شبکه‌های اینترنت اشیاء می‌پردازد، که یکی از زمینه‌های مهم هوش مصنوعی در امنیت سایبری است. سیستم‌های iot همواره در معرض حملات سایبری قرار دارند و به دلیل محدودیت داده‌ها، استفاده از روش‌های هوشمند مانند یادگیری انتقالی مبتنی بر شبکه‌های عصبی کانولوشنی ضروری است. برخلاف روش‌های پیشین که غالباً به انتقال دانش از یک منبع واحد بسنده کرده‌اند یا داده‌ها را به صورت یکپارچه ترکیب کرده‌اند، این مطالعه سه رویکرد مجزا برای انتقال دانش از چند منبع ارائه می‌دهد: انتقال دانش به صورت سلسله‌مراتبی ، ادغام مدل‌ها به صورت موازی و انتقال ادغام اولیه داده‌ها . در مدل ckt، شبکه‌های عصبی کانولوشنی به صورت جداگانه روی هر منبع آموزش دیده و دانش استخراج شده به ترتیب به مدل هدف منتقل می‌شود، که این رویکرد منجر به استخراج ویژگی‌های مشترک قوی‌تر و افزایش دقت تشخیص تا 99.17 درصد شده است. تجربیات آزمایشی نشان می‌دهد که این روش حتی با استفاده از تنها 10 درصد داده‌های هدف، نسبت به روش‌های بدون یادگیری انتقالی، حدود 30 درصد بهبود دقت دارد. این نتایج تاییدی بر کاربرد موثر هوش مصنوعی، به ویژه یادگیری عمیق و یادگیری انتقالی چندمنبع در بهبود سیستم‌های تشخیص نفوذ iot است. در نهایت، این پژوهش نشان می‌دهد که با استفاده از شبکه‌های عصبی کانولوشنی و ادغام هوشمند دانش چندمنبع، می‌توان محدودیت‌های سیستم‌های سنتی را رفع کرد و عملکرد سیستم‌های هوشمند تشخیص نفوذ را بهبود بخشید. این دستاوردها گام مهمی در جهت توسعه سیستم‌های امنیتی هوشمند مبتنی بر هوش مصنوعی برای حفاظت از زیرساخت‌های iot محسوب می‌شوند.

leveraging artificial intelligence for intrusion detection in iot: the role of multi-source transfer learning and convolutional neural networks

this paper investigates novel multi-source transfer learning approaches to enhance intrusion detection accuracy in internet of things (iot) networks — a critical domain at the intersection of artificial intelligence and cybersecurity. iot systems are inherently vulnerable to cyberattacks, and due to data scarcity, intelligent methods such as convolutional neural network (cnn)-based transfer learning are essential. unlike prior approaches that typically rely on knowledge transfer from a single source or naively aggregate data across sources, this study proposes three distinct strategies for multi-source knowledge transfer: (1) hierarchical knowledge transfer, (2) parallel model fusion, and (3) early-stage data fusion. in the proposed ckt model, cnns are trained independently on each source domain, and the extracted knowledge is sequentially transferred to the target model — yielding stronger shared feature representations and improving detection accuracy to 99.17%. experimental results demonstrate that even when using only 10% of the target-domain data, this method achieves approximately 30% higher accuracy compared to non-transfer-learning baselines. these findings validate the effective application of artificial intelligence — particularly deep learning and multi-source transfer learning — in enhancing iot intrusion detection systems. ultimately, this research demonstrates that by leveraging cnn architectures and intelligent multi-source knowledge integration, the limitations of conventional systems can be overcome, significantly improving the performance of intelligent intrusion detection frameworks. these contributions represent a significant step toward developing ai-driven, intelligent security systems for safeguarding critical iot infrastructures.