پرووپوزال آماده رشته مهندسی فناوری اطلاعات- سیستم تشخیص نفوذ مبتنی بر مدل یادگیری عمیق و الگوریتم بهینه‌سازی تکثیر هوشمند برای طبقه‌بندی چند کلاسه در شبکه‌های اینترنت اشیا

هدف از تشخیص نفوذ، شناسایی استفاده‌های غیرمجاز، سوءاستفاده و فعالیت‌های مخرب در سیستم‌ها و شبکه‌های کامپیوتری است. با گسترش شبکه‌های ارتباطی و به‌ویژه اینترنت اشیا، سیستم‌های تشخیص نفوذ با چالش‌هایی مانند تنوع دستگاه‌ها، ناهمگونی ساختار شبکه و حجم بالای داده‌ها مواجه شده‌اند. در این پژوهش، رویکردی نوین برای تشخیص چندکلاسه حملات در محیط اینترنت اشیا ارائه می‌شود که بر ترکیب یادگیری عمیق مبتنی بر شبکه عصبی Bi‑LSTM و الگوریتم بهینه‌سازی تکثیر هوشمند آشفته استوار است. در این روش، ابتدا با استفاده از فرآیند انتخاب ویژگی، ابعاد داده‌ها کاهش یافته و کارایی مدل افزایش می‌یابد. سپس با به‌کارگیری روش Z‑score پیشرفته، داده‌های پرت حذف شده و کیفیت مجموعه داده بهبود می‌یابد. در نهایت، مدل Bi‑LSTM برای طبقه‌بندی و تشخیص دقیق حملات مورد استفاده قرار می‌گیرد. نتایج نشان می‌دهد که رویکرد پیشنهادی می‌تواند دقت تشخیص نفوذ را افزایش داده و زمان پردازش را کاهش دهد. این روش در حوزه‌هایی مانند زیرساخت‌های حیاتی، اتوماسیون صنعتی و سایر کاربردهای مبتنی بر اینترنت اشیا قابل استفاده است.

مطالعه بیشتر...
قیمت
550,000 تومان
تخفیف
0 تومان
نوع فایل
docx
حجم فایل
0.43 MB
بازدید
0

به‌طور کلی، هدف از تشخیص نفوذ، شناسایی مواردی از قبیل استفاده‌ی غیرمجاز، سوءاستفاده، و آسیب رسانی به سیستم‌ها و شبکه‌های کامپیوتری هست. پژوهش‌های موجود چنین هدفی، در راستای تشخیص سریع و به‌موقع نفوذها به‌منظور جلوگیری از خراب‌کاری و آسیب‌رسانی به سیستم‌ها و شبکه‌های اطلاعاتی پیاده‌سازی و اجرا م‌کنند. مهم‌ترین هدف روش‌های بیان شده در زمینه تشخیص نفوذ، تشخیص به‌موقع نفوذها و جلوگیری از خراب‌کاری در سیستم‌ها و شبکه‌های اطلاعاتی است. سیستم‌های تشخیص نفوذ ابزاری ضروری برای محافظت از خود در برابر حملات سایبری مختلف هستند. با این حال، سیستم‌های تشخیص نفوذ در شبکه‌های ارتباطی با چالش‌های قابل‌توجهی به‌دلیل تنوع عملکردی و فیزیکی مواجه هستند. این ویژگی‌های شبکه‌های ارتباطی، بهره‌برداری از تمامی ویژگی‌ها و ویژگی‌ها برای محافظت از خود سیستم‌های تشخیص نفوذ را دشوار و غیرواقعی می‌سازد. در این پژوهش به‌عنوان یک نوآوری جدید، رویکردی برای تشخیص نفوذ در ساختار اینترنت اشیا با قابلیت تشخیص چند کلاسه جملات پیشنهاد و اجرا می‌شود. این رویکرد با استفاده از ترکیب یادگیری عمیق مبتنی بر شبکه عصبی Bi-LSTM و الگوریتم بهینه‌سازی تکثیر هوشمند آشفته استفاده می‌شود. به‌طور کلی نوآوری روش پیشنهادی به شرح زیر است:

  • راهکار پیشنهادی یک قابلیت استثنائی برای انتخاب ویژگی حملات جهت اجرای فرایند کلاس بندی و طبقه‌بندی آنها ارائه می‌کند. با استفاده از فرایند انتخاب ویژگی، روش پیشنهادی قادر به کاهش ابعاد داده‌های موجود، کاهش زمان تشخیص و هزینه در فرایند تشخیص نفوذ خواهد بود.
  • روش پیشنهادی با استفاده از راهکار Z-score پیشرفته برای حذف موارد پرت، کیفیت مجموعه داده و عملکرد مدل را بهبود می‌بخشد، به مدل اجازه می‌دهد بر روی داده‌های مرتبط تمرکز کند و توانایی خود را برای طبقه‌بندی دقیق حملات افزایش می‌دهد.
  • در ادامه به‌منظور طبقه‌بندی حملات، از یادگیری عمیق مبتنی بر شبکه عصبی Bi-LSTM استفاده می‌شود که ضمن بهود زمان طبقه‌بندی، دقت طبقه‌بندی و تشخیص نفوذ در شبکه را بهبود می‌دهد.

نتایج این تحقیق در بخش‌های مختلف، از زیرساخت‌های حیاتی گرفته تا اتوماسیون صنعتی و فراتر از آن، جایی که حفاظت از یکپارچگی سیستم‌های به‌هم‌پیوسته ای اینترنت اشیا از اهمیت بالایی برخوردار است، قابل استفاده‌است. ادغام یادگیری ماشینی پیشرفته و الگوریتم‌های الهام‌گرفته از زیست‌شناسی، گامی اساسی به جلو در ایجاد اقدامات امنیتی قوی و هوشمند برای چشم‌انداز در حال تکامل فناوری‌های مبتنی بر اینترنت اشیا است.