اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,306 |
| تعداد مقالات | 9,427 |
| تعداد مشاهده مقاله | 9,188,653 |
| تعداد دریافت فایل اصل مقاله | 5,620,946 |
تشخیص ناهنجاری در ترافیک تجهیزات اینترنت اشیاء با رویکرد ترکیب مدل‌های یادگیری عمیق | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 5، دوره 13، شماره 2 - شماره پیاپی 50، تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| وحید یادگاری1؛ صمد سهراب* 2؛ وحید محمودیان3 | ||
| 1دانشجوی دکتری ، دانشگاه علامه طباطبائی، تهران، ایران | ||
| 2پژوهشگر ، مؤسسه آموزش عالی تعالی قم،قم، ایران | ||
| 3دانشجوی دکتری،دانشکده کامپیوتر، دانشگاه آزاد اسلامی واحد تهران شمال،تهران، ایران | ||
| تاریخ دریافت: 03 اردیبهشت 1404، تاریخ بازنگری: 04 خرداد 1404، تاریخ پذیرش: 18 خرداد 1404 | ||
| چکیده | ||
| طبقه‌بندی‌کننده‌های ترافیک شبکه نقش حیاتی در سیستم‌های نظارت بر شبکه‌ها ایفا می‌کنند و وظیفه آن‌ها تشخیص ناهنجاری‌ها در جریان‌های شبکه‌ای بر اساس ویژگی‌های ارتباطی است. این موضوع برای مدیریت و نظارت بر شبکه‌های اینترنت اشیاء نیز اهمیت ویژه‌ای دارد. در این مقاله، یک روش نوین برای طبقه‌بندی ترافیک شبکه بر اساس ترکیبی از مدل‌های یادگیری عمیق ارائه شده است که می‌تواند برای طبقه‌بندی ترافیک اینترنت اشیاء استفاده شود. نتایج تجربی نشان می‌دهد که مدل ترکیبی CNN+RNN-2 بادقت ۸۳.۵۸درصد، عملکرد بهتری نسبت به مدل‌های منفرد و ترکیبی دیگر ارائه می‌دهد. این مدل با ترکیب ویژگی‌های محلی استخراج شده توسط شبکه‌های عصبی کانولوشنال (CNN) و تحلیل وابستگی‌های زمانی توسط شبکه‌های عصبی بازگشتی (RNN)، قادر به شناسایی الگوهای پیچیده‌تری است و دقت تشخیص را بهبود می‌بخشد. همچنین، نتایج به‌دست‌آمده نشان می‌دهد که مدل ترکیبی CNN+RNN-2 بدون نیاز به مهندسی ویژگی دستی، نتایج بهتری نسبت به روش‌های کلاسیک نظارت شده، نیمه نظارت شده و بدون نظارت ارائه می‌دهد. استفاده از یادگیری عمیق به دلیل توانایی آن در استخراج خودکار ویژگی‌ها و یادگیری الگوهای پیچیده، برتری قابل‌توجهی نسبت به تکنیک‌های سنتی هوش مصنوعی دارد. | ||
| کلیدواژه‌ها | ||
| شبکه‌های عصبی کانولوشنال؛ شبکه‌های عصبی بازگشتی؛ طبقه‌بندی ترافیک شبکه؛ یادگیری عمیق | ||
| موضوعات | ||
| آسیب پذیری ها و تهدیدات فضای سایبری | ||
| عنوان مقاله [English] | ||
| Anomaly detection in Internet of Things equipment traffic with the approach of combining deep learning models | ||
| نویسندگان [English] | ||
| Vahid Yadegari1؛ samad sohrab2؛ Vahid Mahmoudian3 | ||
| 1PhD student, Allameh Tabatabai University, Tehran, Iran | ||
| 2Researcher, Qom Higher Education Institute, Qom, Iran | ||
| 3Ph.D. student, Faculty of Computer Science, Islamic Azad University, North Tehran Branch, Tehran, Iran | ||
| چکیده [English] | ||
| Network traffic classifiers play a critical role in network monitoring systems by detecting anomalies in network flows based on communication features. This is particularly significant for managing and monitoring Internet of Things (IoT) networks. In this study, a novel method for network traffic classification is proposed, leveraging a combination of deep learning models tailored for IoT traffic. Experimental results demonstrate that the hybrid CNN+RNN-2 model achieves an accuracy of 83.58%, outperforming standalone and other hybrid models. By combining local feature extraction through Convolutional Neural Networks (CNN) and temporal dependency analysis via Recurrent Neural Networks (RNN), the proposed model effectively identifies complex patterns and improves detection accuracy. Furthermore, the results indicate that the CNN+RNN-2 model surpasses traditional supervised, semi-supervised, and unsupervised methods without requiring manual feature engineering. The use of deep learning, with its capability for automatic feature extraction and learning complex patterns, provides a significant advantage over conventional artificial intelligence techniques. | ||
| کلیدواژه‌ها [English] | ||
| Convolutional Neural Networks, Recurrent Neural Networks, Network Traffic Classification, Deep Learning, Internet of Things (IoT) | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 14 |
||