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، تابستان 1404، صفحه 45-55 اصل مقاله (1.04 M) | ||
| 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 | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 402 تعداد دریافت فایل اصل مقاله: 51 |
||