روش های مقاوم سازی دستگاه های اینترنت اشیا در برابر حملات بات نت با استفاده از یادگیری تقویتی

چکیده مقاله

با گسترش روزافزون دستگاه های اینترنت اشیا IoT در حوزه های مختلف زندگی روزمره، امنیت این دستگاه ها به یکی از چالش های اساسی دنیای فناوری تبدیل شده است یکی از تهدیدات عمده ای که این دستگاه ها را هدف قرار می دهد، حملات بات نت بدافزارهای چندمرحله ای است این نوع بات نت ها با استفاده از آسیب پذیری های امنیتی در دستگاه های IoT، می توانند طیف وسیعی از حملات سایبری از جمله فیشینگ، استخراج ارز دیجیتال و حملات انکار سرویس توزیع شده DDoS را اجرا کنند در سال های اخیر، یادگیری ماشین به عنوان روشی امیدوارکننده برای تشخیص این نوع تهدیدات مطرح شده است با این حال، بسیاری از مدل های سنتی یادگیری ماشین در مواجهه با الگوهای متغیر بدافزارها در محیط های واقعی با مشکل انحراف مدل روبه رو هستند و توانایی تعمیم پذیری محدودی دارند در این میان، یادگیری تقویتی به دلیل ماهیت تطبیق پذیر و توانایی یادگیری در محیط های پویا، به عنوان راهکاری نوین برای تقویت سیستم های تشخیص نفوذ IDS مطرح شده است این مقاله با رویکردی مروری، به بررسی روش های نوین مقاوم سازی دستگاه های اینترنت اشیا در برابر حملات بات نت با تکیه بر یادگیری تقویتی می پردازد همچنین، چالش های اصلی در پیاده سازی این رویکردها از جمله طراحی پاداش، انحراف داده، و ارزیابی در شرایط واقعی مورد تحلیل قرار گرفته اند در ادامه، مدل هایی مانند MalBoT DRL که از ترکیب یادگیری عمیق و مکانیزم های آماری نوین بهره می برند، مورد بررسی قرار می گیرند

کلیدواژه‌ها

نویسندگان

یاسمن عافی

دانشجوی دکتری مدیریت فناوری اطلاعات،گرایش کسب و کار هوشمند،دانشگاه آزاد نجف آباد

سیمین شفیعی

دانشجوی رشته نرم افزار دانشکده ملی مهارت دخترانه هاشمی خوانسار

آیدا طهماسبی

دانشجوی رشته نرم افزار دانشکده ملی مهارت دخترانه هاشمی خوانسار

�افی، یاسمن و شفیعی، سیمین و طهماسبی، آیدا،1404،روش های مقاوم سازی دستگاه های اینترنت اشیا در برابر حملات بات نت با استفاده از یادگیری تقویتی،بیست و هفتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل

ارائه‌شده در

مجموعه مقالات بیست و هفتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات26 تیر 1404 · بابل