چکیده مقاله
افزایش تنوع، مقیاس و ناهمگونی دستگاه های اینترنت اشیا، استفاده از سامانه های تشخیص نفوذ متمرکز را با محدودیت هایی مانند افشای داده های حساس، هزینه بالای انتقال داده، تاخیر ارتباطی، ایجاد نقطه شکست واحد و کاهش تعمیم پذیری در محیط های ناهمگن روبه رو ساخته است یادگیری فدرال با نگهداشتن داده های خام در محل تولید و تبادل به روزرسانی های مدل، امکان آموزش مشارکتی سامانه های تشخیص نفوذ را فراهم می کند بااین حال، محلی ماندن داده به تنهایی تضمین کننده امنیت، حریم خصوصی یا قابلیت استقرار نیست و عواملی مانند داده های غیرمستقل و ناهم توزیع، عدم تعادل کلاس ها، محدودیت منابع گره های لبه، سربار ارتباطی، نشت اطلاعات از به روزرسانی های مدل و حملات مسموم سازی همچنان بر عملکرد این سامانه ها اثر می گذارند در این مقاله، مطالعات تشخیص نفوذ مبتنی بر یادگیری فدرال در محیط های اینترنت اشیا و اینترنت اشیای صنعتی به صورت تحلیلی مرور شده و روش های موجود بر اساس چهار محور شامل محل استقرار، نوع مدل یادگیری، نوع وظیفه تشخیص و راهبرد تجمیع طبقه بندی می شوند همچنین، مجموعه داده های پرکاربرد، نحوه تشکیل کلاینت ها و سناریوهای فدرال، معیارهای تشخیص، هزینه های عملیاتی و الزامات بازتولیدپذیری بررسی می شوند تحلیل مطالعات نشان می دهد که بیشتر راهکارهای موجود تنها بخشی از فضای طراحی، مانند کاهش هزینه ارتباطی، مدیریت ناهمگنی یا مقابله با کلاینت های مخرب را بهبود می دهند و هنوز چارچوبی بالغ که دقت، کارایی منابع، حریم خصوصی، توضیح پذیری و تاب آوری امنیتی را به طور هم زمان تامین کند، شکل نگرفته است بر این اساس، توسعه مدل های سبک و آگاه از منابع، یادگیری شخصی سازی شده، تجمیع مقاوم و قابل حسابرسی، توضیح پذیری حریم خصوصی محور و ارزیابی روی زیرساخت های واقعی، جهت های اصلی پژوهش های آینده محسوب می شوند
کلیدواژهها
نویسندگان
شیوه ارجاع
پرچمی عراقی، معصومه و سبحانی باجگیرانی، فرشته،1404،تشخیص نفوذ مبتنی بر یادگیری فدرال در اینترنت اشیا: مرور روش ها، چالش ها و مسیرهای آینده،دومین همایش بین المللی تحولات نوین در علوم تربیتی، روانشناسی و آموزش و پرورش،ارومیه
ارائهشده در
مجموعه مقالات دومین همایش بین المللی تحولات نوین در علوم تربیتی، روانشناسی و آموزش و پرورش15 بهمن 1404 · ارومیه