14151

تشخيص نفوذ به اينترنت اشياء به كمك BLSTM

1399

دكتر ستار ميرزا كوچكي

دكتر حامد ملااحمديان كاسب

ينترنت اشيا هر »چيز« را به اينترنت متصل مي كند و به اي ن »چيزه ا « اج ازه م ي ده د ت ا ب ا يكديگر ارتباط برقرار كنند. اينترنت اشيا شامل تعداد زيادي دستگاه به هم پيوسته با پيچيدگي ها و گرايش هاي متنوع است. اين ماهيت بنيادي ساختار اينترنت اشيا، ميزان اهداف حملهاي را تشديد ميكند كه ممك ن اس ت بر رشد پايدار اينترنت اشيا تأثير بگذارد. بنابراين، مسائل امنيتي به يك عامل حياتي تبديل مي شود كه بايد مورد توجه قرار گيرد. يك رويكرد يادگيري عميق جديد در اين مقاله ، براي انجام شناسايي بالدرنگ تهديدات امنيتي در سيستم هاي IoT با استفاده از شبكه عصبي بازگشتي با حافظه كوتاه مدت دو جهته ) BLSTM RNN )پيشنهاد شده است. رويكرد پيشنهادي از طريق چارچوب پياده سازي TensorFlow Google و زبان برنامه نويسي پايتون پياده سازي شده است. براي آموزش و آزمايش رويكرد پيشنهادي، از مجموعه داده 15NB-UNSW استفاده شده است كه بهروزترين مجموعه داده معيار با نمونههاي متوالي و الگوهاي حمله معاصر است. اين تحقيق از طبقه بندي باينري از الگوهاي حمله و عادي استفاده مي كند. نتيجه تجربي مهارت م دل معرف ي ش ده را از نظ ر فراخ وان ي، دق ت، FAR و امتي از -1f نش ان ميدهد. اين مدل به دقت تشخيص بيش از ٪97 دست مي يابد. نتيجه آزمايش نشان ميدهد كه RNN BLSTM عميقاً براي ساخت مدل بسيار كارآمد و ب را ي تشخيص نفوذ مؤثر است و يك روش تحقيق جديد ارائه ميدهد. كلمات كليدي - شبكه عصبي بازگشتي دو جهته، يادگيري عميق، تشخيص نفوذ، اينترنت اشيا.

11/13/2024 12:00:00 AM

84912

1403/09/10

IoT Intrusion Detection with BLSTM

شبكه عصبي بازگشتي دو جهته , يادگيري عميق , تشخيص نفوذ , اينترنت اشيا

BLSTM , IOT , Deep Learning , Intrusion Detection