30594

رويكرد مبتني بر يادگيري عميق در تشخيص حملات تزريق داده هاي نادرست در اينترنت اشياء صنعتي

كارشناسي ارشد

مهندسي برق

1399-1402

1402/09/29

دكتر ابوالفضل فلاحتي

مهندسي برق

اينترنت اشيا يكي از موضوعات روز است كه در حال پيشروي در تمام ابعاد زندگي مدرن است. البته حركت شتابان به سمت اين مهم، داراي كمبود ها و نگراني هايي نيز هست كه مهم ترين آن ها مسئله امنيت مي باشد. اينترنت اشيا مستعد هر نوع حمله سايبري مي باشد. از اهميت آينده اين تكنولوژي همين بس كه مي تواند تاثيرات عميق اقتصادي ، تجاري و اجتماعي را بر روي زندگي بشر بگذارد. به دليل همين اهميت ، بايد روش هاي مقابله با هر چيزي كه امنيت اينترنت اشيا را به خطر مي اندازد دقيق تر بررسي گردد. از كاربردهاي اينترنت اشيا مي توان به استفاده آن در صنعت اشاره كرد كه تحت عنوان اينترنت اشياي صنعتي ناميده مي شود. براي مقابله با تهديد هاي امنيتي، پژوهشگران اين حوزه از روش هاي كلاسيك تا روش هاي هوشمند را مطالعه كرده اند. روش هاي هوشمند مثل يادگيري ماشين و يادگيري عميق خيلي بهتر به مقابله با تهديدات امنيتي مي پردازند. در سال‌ هاي اخير، هوش مصنوعي (AI) براي تقويت ارتباط بين انسان و توانايي ‌هايي كه توسط ماشين قابل اجراست بسيار توسعه و براي كاربردهاي مختلف پيشنهاد شده است. از جمله مواردي كه در بحث امنيت اينترنت اشيا مطرح است مي توان به مسئله حمله تزريق داده غلط اشاره كرد. در سال هاي اخير مقابله به وسيله روش هاي هوشمند بيشتر مدنظر پژوهشگران بوده است. استفاده از مدل هاي يادگيري ماشين و يادگيري عميق در تحقيقات اخير بسيار صورت پذيرفته است. معماري پيشنهادي در اين پايان نامه از شبكه مولد متخاصم جهت توليد داده ها و از شبكه عصبي كانولوشن جهت استخراج ويژگي ها استفاده گرديده است و نهايتا با يك نوع مدل درختي طبقه بندي انجام شده است. معماري پيشنهاد شده در اين پايان نامه علاوه بر اثبات برتري خويش بر روش هاي كلاسيك، برتري خود برالگوريتم هاي يادگيري ماشين را نشان مي دهد همچنين استفاده از معماري پيشنهادي، خروجي بهتري در ارزيابي عملكرد نسبت به استفاده تنها از شبكه عصبي كانولوشني مي دهد.

1402/11/29

Deep learning approach to detect false data injection attacks in Industrial Internet of Things

12/19/2024 12:00:00 AM

Internet of things is one of the topics of the day that is advancing in all aspects of modern life. Of course, the hasty movement towards this important issue also has shortcomings and concerns, the most important of which is the issue of security. In fact, the Internet of Things is susceptible to any type of cyber attack. The importance of the future of this technology is enough that it can have deep economic, commercial and social effects on human life. Because of this importance, the methods of dealing with anything that endangers the security of the Internet of Things should be examined more carefully. Among the applications of the Internet of Things, we can mention its use in industry, which is called the Industrial Internet of Things, which is widely advancing, and the issue of security is also very important. Since smart methods replace classical methods in all kinds of technologies, Internet of Things security is no exception. Intelligent methods such as machine learning and deep learning are much better at dealing with security threats. In recent years, artificial intelligence (AI) has been greatly developed and proposed for various applications to enhance communication between humans and machine-implementable abilities, and many aspects of this field have been investigated. Among the things that are discussed in the Internet of Things security issue, we can mention the issue of false data injection attack. This type of attack leads to heavy financial and human losses. Advanced and combined deep learning and machine learning architectures are used in this thesis. In addition to proving its superiority over classical methods, the architecture proposed in this thesis shows its superiority over methods such as convolutional neural network and machine learning algorithms.

هوش مصنوعي , يادگيري ماشين , يادگيري عميق , حمله تزريق داده غلط , اينترنت اشياي صنعتي

artificial intelligence , machine learning , deep learning , false data injection attack , industrial Internet of Things

Pouria Kazemi

Dr. Abolfazl Falahati