چکیده مقاله
با گسترش روزافزون زیرساخت های اینترنت اشیا Internet of Things – IoT در محیط های سازمانی، تهدیدات امنیتی مرتبط با این شبکه ها به طور قابل توجهی افزایش یافته است محدودیت منابع محاسباتی و تنوع پروتکل های ارتباطی، طراحی سامانه های کارآمد تشخیص نفوذ Intrusion Detection Systems – IDS را به یک چالش اساسی تبدیل کرده است از این رو، بهره گیری از روش های هوشمند و مقیاس پذیر برای شناسایی حملات پیچیده در شبکه های IoT ضروری است در این مقاله، یک سامانه تشخیص نفوذ مبتنی بر یادگیری عمیق ارائه می شود که از ترکیب شبکه های حافظه بلند کوتاه مدت دوطرفه Bi LSTM و مکانیزم Attention بهره می برد این معماری با هدف بهبود مدل سازی وابستگی های زمانی و استخراج ویژگی های مهم ترافیک شبکه طراحی شده است ارزیابی عملکرد مدل پیشنهادی با استفاده از مجموعه داده استاندارد CSE CIC IDS۲۰۱۸ و مقایسه با روش های متداول انجام شده است نتایج حاصل نشان می دهد که مدل Bi LSTM مجهز به مکانیزم Attention با دستیابی به دقت Accuracy برابر با ۹۷ ۸۸% و امتیاز F۱ معادل ۹۷ ۵۷%، بهبود قابل توجهی نسبت به روش های مبتنی بر یادگیری ماشین سنتی و مدل های یادگیری عمیق پایه از جمله CNN و LSTM یک سویه ارائه می دهد این نتایج حاکی از توانایی بالای مدل پیشنهادی در تشخیص دقیق حملات ناشناخته و کاهش هشدارهای کاذب بوده و آن را به گزینه ای مناسب برای پیاده سازی سامانه های تشخیص نفوذ در محیط های سازمانی اینترنت اشیا تبدیل می کند
کلیدواژهها
نویسندگان
مژگان نصرزاده
دانشجو کارشناسی ارشد گروه فناوری اطلاعات, واحد شیراز, دانشگاه آزاد اسلامی, شیراز, ایران
سید ابراهیم دشتی
مسئول مکاتبات، دانشیار گروه کامپیوتر, واحد جهرم, دانشگاه آزاد اسلامی، جهرم, ایران
شیوه ارجاع
نصرزاده، مژگان و دشتی، سید ابراهیم،1404،سامانه هوشمند تشخیص نفوذ و رفتار مخرب در زیرساخت های سازمانی اینترنت اشیا با تمرکز بر مدل های Bi LSTM و Attention،پنجمین همایش ملی و نخستین همایش بین المللی محاسبات نرم علوم مهندسی در صنعت و جامعه،ایرانشهر
ارائهشده در
مجموعه مقالات دهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران26 بهمن 1404 · ایرانشهر