اخبار و اعلانات

 آمار

تعداد نشریات34
تعداد شماره‌ها1,331
تعداد مقالات9,574
تعداد مشاهده مقاله9,756,410
تعداد دریافت فایل اصل مقاله5,960,703
خسروی, افشار, جوادزاده, محمدعلی, خسروی, افشار. (1404). کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل‌های ترکیبی گراف و یادگیری عمیق رفتاری. پدافند الکترونیکی و سایبری, (), -.
افشار خسروی; محمدعلی جوادزاده; افشار خسروی. "کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل‌های ترکیبی گراف و یادگیری عمیق رفتاری". پدافند الکترونیکی و سایبری, , , 1404, -.
خسروی, افشار, جوادزاده, محمدعلی, خسروی, افشار. (1404). 'کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل‌های ترکیبی گراف و یادگیری عمیق رفتاری', پدافند الکترونیکی و سایبری, (), pp. -.
خسروی, افشار, جوادزاده, محمدعلی, خسروی, افشار. کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل‌های ترکیبی گراف و یادگیری عمیق رفتاری. پدافند الکترونیکی و سایبری, 1404; (): -.

کاهش خطر سایبری اینترنت اشیاء با استفاده از مدل‌های ترکیبی گراف و یادگیری عمیق رفتاری

پدافند غیرعامل
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1404
نوع مقاله: مقاله پژوهشی
نویسندگان
افشار خسروی1؛ محمدعلی جوادزاده2؛ افشار خسروی* 3
1گروه مبین، دانشکده کامپیوتر، دانشگاه امام حسین تهران ایران
2گروه مبین، دانشکده کامپیوتر، دانشگاه امام حسین، تهران، ایران
3امام حسین
تاریخ دریافت: 14 بهمن 1403،  تاریخ بازنگری: 25 اسفند 1403،  تاریخ پذیرش: 29 شهریور 1404 
چکیده
امنیت سایبری در اینترنت اشیاء یک حوزه حیاتی در فناوری اطلاعات و ارتباطات است که به دلیل پیچیدگی و ماهیت پویای سامانه‏های اینترنت اشیاء با چالش‌های مهمی مواجه است. یکی از مسائل اولیه در این زمینه، تشخیص ناهنجاری‌ها و حمله‏های سایبری پیچیده است که از پیچیدگی‌های ساختاری و رفتارهای غیرقابل‌پیش‌بینی دستگاه‌های متصل‌به‌هم نشئت می‌گیرد. این تهدیدهای امنیتی می‌توانند به‌شدت بر یکپارچگی سامانه، عملکرد و محرمانه بودن داده‌ها تأثیر بگذارند.

تحقیقات قبلی روش‌های مختلفی از جمله تحلیل رفتار زمانی و مدل‌سازی ارتباطات شبکه را برای کاهش خطرهای سایبری، مورد بررسی قرار داده‌اند. بااین‌حال، این رویکردها، زمانی‏که به‌صورت مجزا به کار می‏روند، اغلب در ارائه یک سازوکار دفاعی جامع شکست می‏خورند. برای پرداختن به این محدودیت‌ها، این مطالعه یک رویکرد ترکیبی را پیشنهاد می‌کند که مدل‌سازی مبتنی بر گراف را با روش‌های یادگیری رفتاری عمیق ادغام می‌کند. به طور خاص، با نمایش ارتباطات دستگاه به‌عنوان گراف و تجزیه‌وتحلیل تغییر‏‏های زمانی با استفاده از مدل‌های شبکه‌های عصبی گراف و حافظه کوتاه‌مدت ، روش پیشنهادی تشخیص ناهنجاری را افزایش و احتمال حمله‏های سایبری را کاهش داده و در نتیجه خطر کلی سایبری را کاهش می‌دهد.

ارزیابی‌های تجربی انجام‏شده بر روی مجموعه‌داده‌های مرتبط با اینترنت اشیاء نشان می‌دهد که مدل پیشنهادی به طور قابل‌توجهی از روش‌های مرسوم بهتر عمل می‌کند. نتایج، نشان‌دهنده معیارهای عملکرد برتر با صحت 92%، دقت 0.91، یادآوری 0.94 و امتیاز F1 0.92 در کنار کاهش نرخ هشدار نادرست است. این یافته‌ها بر اثربخشی رویکرد پیشنهادی در تقویت امنیت سایبری اینترنت اشیاء تأکید می‌کند، که نشان‌دهنده پیشرفت قابل‌توجهی در کاهش خطر و افزایش امنیت سامانه است.
کلیدواژه‌ها
کاهش خطر سایبری؛ اینترنت اشیاء؛ تحلیل رفتاری؛ شبکه‌های عصبی گراف؛ یادگیری عمیق
عنوان مقاله [English]
Mitigating IoT cyber risk using hybrid graph models and behavioral deep learning
نویسندگان [English]
Afshar khosravi1؛ Mohammad Ali Javadzade2؛
1Imam hossein university, Tehran, Iran
2Imam Hossein University, Tehran, Iran
چکیده [English]
امنیت سایبری در اینترنت اشیاء یک حوزه حیاتی در فناوری اطلاعات و ارتباطات است که به دلیل پیچیدگی و ماهیت پویای سامانه‏های اینترنت اشیاء با چالش‌های مهمی مواجه است. یکی از مسائل اولیه در این زمینه، تشخیص ناهنجاری‌ها و حمله‏های سایبری پیچیده است که از پیچیدگی‌های ساختاری و رفتارهای غیرقابل‌پیش‌بینی دستگاه‌های متصل‌به‌هم نشئت می‌گیرد. این تهدیدهای امنیتی می‌توانند به‌شدت بر یکپارچگی سامانه، عملکرد و محرمانه بودن داده‌ها تأثیر بگذارند.

تحقیقات قبلی روش‌های مختلفی از جمله تحلیل رفتار زمانی و مدل‌سازی ارتباطات شبکه را برای کاهش خطرهای سایبری، مورد بررسی قرار داده‌اند. بااین‌حال، این رویکردها، زمانی‏که به‌صورت مجزا به کار می‏روند، اغلب در ارائه یک سازوکار دفاعی جامع شکست می‏خورند. برای پرداختن به این محدودیت‌ها، این مطالعه یک رویکرد ترکیبی را پیشنهاد می‌کند که مدل‌سازی مبتنی بر گراف را با روش‌های یادگیری رفتاری عمیق ادغام می‌کند. به طور خاص، با نمایش ارتباطات دستگاه به‌عنوان گراف و تجزیه‌وتحلیل تغییر‏‏های زمانی با استفاده از مدل‌های شبکه‌های عصبی گراف و حافظه کوتاه‌مدت ، روش پیشنهادی تشخیص ناهنجاری را افزایش و احتمال حمله‏های سایبری را کاهش داده و در نتیجه خطر کلی سایبری را کاهش می‌دهد.

ارزیابی‌های تجربی انجام‏شده بر روی مجموعه‌داده‌های مرتبط با اینترنت اشیاء نشان می‌دهد که مدل پیشنهادی به طور قابل‌توجهی از روش‌های مرسوم بهتر عمل می‌کند. نتایج، نشان‌دهنده معیارهای عملکرد برتر با صحت 92%، دقت 0.91، یادآوری 0.94 و امتیاز F1 0.92 در کنار کاهش نرخ هشدار نادرست است. این یافته‌ها بر اثربخشی رویکرد پیشنهادی در تقویت امنیت سایبری اینترنت اشیاء تأکید می‌کند، که نشان‌دهنده پیشرفت قابل‌توجهی در کاهش خطر و افزایش امنیت سامانه است.
کلیدواژه‌ها [English]
Cyber risk mitigation, IOT, behavioral analysis, graph neural networks, deep learning
آمار
تعداد مشاهده مقاله: 1