ترکیب مدلهای زبانی بزرگ و روش های یادگیری عمیق درارزیابی ترافیک شبکه اینترنت اشیا

رشد سریع به‌کارگیری دستگاه‌های اینترنت اشیا در سال‌های اخیر، بستر مناسبی را برای اجرای حملات سایبری گسترده فراهم کرده است، به‌گونه‌ای که بخش قابل‌توجهی از تهدیدات نوین امنیتی از ضعف‌های ذاتی این تجهیزات بهره‌برداری می‌کنند. با توجه به تداوم توسعه و نفوذ فناوری اینترنت اشیا، انتظار می‌رود دامنه و پیچیدگی این حملات در آینده افزایش یابد. اگرچه پژوهش‌های متعددی در حوزه شناسایی نفوذ انجام شده است، اغلب سامانه‌های موجود، ماهیتی واکنشی دارند و صرفاً پس از وقوع حمله یا مشاهده ناهنجاری‌های مشخص وارد عمل می‌شوند. این محدودیت، ضرورت حرکت به‌سوی رویکردهای پیش‌بینانه برای مقابله با تهدیدات را برجسته می‌سازد. در این پژوهش، یک چارچوب نوآورانه برای پیش‌بینی نفوذ در شبکه‌های اینترنت اشیا، ارائه می‌شود که با هدف شناسایی و مهار فعالیت‌های مخرب پیش از بروز خسارت طراحی شده است. چارچوب پیشنهادی، مبتنی بر تلفیق مدل‌های زبانی بزرگ و شبکه‌های عصبی gru است و از یک سازوکار بازخوردی دو‌مرحله‌ای بهره می‌برد. در این ساختار، یک مدل مبتنی بر gpt وظیفه پیش‌بینی الگوهای ترافیک شبکه را بر عهده دارد، در حالی که یک مدل مبتنی بر electra برای تحلیل و ارزیابی ترافیک پیش‌بینی‌شده مورد استفاده قرار می‌گیرد. در مرحله‌ی نهایی، یک طبقه‌بند مبتنی بر شبکه بازگشتی gru با پردازش خروجی مدل، بسته‌های مخرب را از ترافیک سالم شبکه شناسایی می‌کند. ارزیابی تجربی چارچوب پیشنهادی بر روی مجموعه‌داده استاندارد ciciot2023 نشان‌دهنده بهبود چشمگیر در توان پیش‌بینی نفوذ است. نتایج به‌دست‌آمده حاکی از دستیابی به دقت کلی 99/98 درصد بوده و بیانگر کارایی بالای این رویکرد در مواجهه با چالش‌های امنیت سایبری در محیط‌های مبتنی بر اینترنت اشیا است.