ارائه مدل ترکیبی و هوشمند برای تشخیص ناهنجاری در اینترنت اشیا با رویکرد یادگیری گروهی و رمزگذارهای عمیق | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 7، دوره 13، شماره 4 - شماره پیاپی 52، زمستان 1404، صفحه 103-123 اصل مقاله (1.84 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/ECDJ.2025.1669 | ||
| نویسندگان | ||
| هادی ترازودار* 1؛ کرم اله باقری فرد2؛ صمد نجاتیان3؛ حمید پروین4؛ راضیه ملکحسینی5 | ||
| 1دانشجوی دکتری ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران | ||
| 2دانشیار ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران | ||
| 3دانشیار ، گروه مهندسی برق ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران | ||
| 4دانشیار ، گروه مهندسی کامپیوتر ، واحد نورآباد ممسنی، دانشگاه آزاد اسلامی، نورآباد ممسنی ، ایران | ||
| 5استادیار ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران | ||
| چکیده | ||
| اینترنت اشیا (IoT) با فراهم کردن بستری برای ارتباط خودکار میان میلیونها دستگاه هوشمند، به یکی از زیرساختهای حیاتی دنیای مدرن تبدیلشده است. رشد چشمگیر تعداد این دستگاهها و افزایش ویژگیهایی مانند تنوع، مقیاسپذیری و تحریکپذیری آنها، تهدیدات امنیتی را نیز بهطور قابلتوجهی گسترش داده است. بهویژه ظهور تهدیدات پنهان و پیچیده که از طریق الگوهای رفتاری غیرمعمول در شبکه بروز میکنند، ضرورت بهرهگیری از روشهای پیشرفته تشخیص ناهنجاری را دوچندان کرده است.در این مقاله، مدلی نوین مبتنی بر یادگیری گروهی ارائهشده است که با ترکیب تکنیکهای یادگیری عمیق و الگوریتمهای یادگیری ماشین، عملکرد تشخیص ناهنجاریها در اینترنت اشیا را بهبود میبخشد. پس از انجام فرایند پیشپردازش دادهها، ویژگیهای کلیدی با استفاده از رمزگذار خودکار پشتهای (SAE) و رمزگذار خودکار عمیق (DAE) استخراج و در مرحله بعد چارچوب یادگیری گروهی متشکل از درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، شبکه عصبی احتمالی (PNN) و نسخه وزنی آن (WPNN) برای شناسایی ناهنجاریها به کار گرفتهشده است.از نوآوریهای این تحقیق میتوان به طراحی سازوکار انتخاب پویای ویژگی در لایه رمزگذار و همچنین پیشنهاد طرح وزن دهی تطبیقی برای ترکیب خروجی مدلهای گروهی اشاره کرد که منجر به بهبود دقت در تشخیص حملات ناشناخته و کاهش نرخ مثبت کاذب شده است.مدل پیشنهادی بر روی چندین مجموعه داده معتبر ازجمله NSL-KDD، BoT-IoT، IoT-NI، IoT-23 ارزیابی و نتایج نشاندهنده دقت بالای ۹۹.۳٪ و امتیاز F1 معادل ۹۹.۲٪ در مجموعه داده ترکیبی IoT-DS2 است. نرخ مثبت کاذب (FPR) در اغلب مجموعه دادهها زیر ۲٪ و نرخ منفی کاذب (FNR) کمتر از ۱.۵٪ گزارششده است. در مقایسه با مدلهای منتخب مدل پیشنهادی در شناسایی حملات ناشناخته برتری دارد. | ||
| کلیدواژهها | ||
| اینترنت اشیا؛ تشخیص ناهنجاری؛ رمزگذار خودکار پشتهای؛ رمزگذار عمیق؛ یادگیری گروهی؛ انتخاب پویای ویژگی؛ ترکیب تطبیقی مدلها؛ امنیت سایبری | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 216 تعداد دریافت فایل اصل مقاله: 117 |
||