چکیده مقاله
اشیاء هوشمند و متصل به شبکه اینترنت اشیاء به دلیل محدودیت در منابع مستعد نفوذ می باشند بات نتها یکی از ابزارهای نفوذ به شبکه اینترنت اشیاء می باشند بات نتها به عنوان گره های آلوده به بدافزار در نظر گرفته می شوند و می توانند حملاتی نظیر DDoS را ایجاد نمایند برای تشخیص حملات بات نت به شبکه، سیستم های تشخیص نفوذ نقش کلیدی دارند یک سیستم تشخیص نفوذ بر پایه یادگیری ماشین و یادگیری عمیق توانایی تشخیص حملات پیچیده را دارد در این مقاله یک سیستم تشخیص نفوذ کارآمد برای تشخیص حملات بات نت در شبکه ارایه می شود در مرحله اول با یادگیری عمیق بر پایه شبکه GAN مجموعه داده متعادل سازی می شود در مرحله دوم ویژگی های اساسی ترافیک با الگوریتم بهینه سازی شاهین انتخاب می شود در مرحله سوم یادگیری گروهی بین روش های LSTM XGBoost و MLP بر اساس ویژگی های انتخاب شده انجام می شود آزمایشات در مجموعه داده UNSW NB۱۵ نشان می دهد دقت، حساسیت و صحت روش پیشنهادی در تشخیص حملات به ترتیب برابر ۹۹ ۱۲، ۹۸ ۹۷ و ۹۸ ۳٪ است روش پیشنهادی در تشخیص حملات از روش های CNN، Densely ResNet، Inception LSTM و Inception۶ دقت بیشتری دارد
کلیدواژهها
نویسندگان
مهران بی باک پیراقوم
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، هیدج، ایران
سید محسن میرحسینی
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، هیدج، ایران
شیوه ارجاع
�ی باک پیراقوم، مهران و میرحسینی، سید محسن،1403،شناسایی بات نتها در اینترنت اشیاء با رویکرد یادگیری عمیق شبکه GAN و شبکه عصبی یافته با الگوریتم بهینه سازی عقاب آتشین،ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین
ارائهشده در
مجموعه مقالات ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع15 آبان 1403 · اسفراین