شماره ركورد كنفرانس
5244
عنوان مقاله
يك رويكرد يادگيري عميق براي سيستم تشخيص نفوذ اينترنت اشيا
عنوان به زبان ديگر
A deep learning approach for internet of things intrusion detection system
پديدآورندگان
فقيه علي آبادي حسين hosseinfaghih1995@gmail.com دانشكده برق، كامپيوتر و فناورهاي پيشرفته،دانشگاه اروميه , باقرزاده جمشيد j.bagherzadeh@urmia.ac.ir دانشكده برق، كامپيوتر و فناورهاي پيشرفته،دانشگاه اروميه
تعداد صفحه
7
كليدواژه
اينترنت اشيا , تشخيص نفوذ , يادگيري عميق , UNSW , NB15 , CNN , LSTM , MQTT , NSL , KDD
سال انتشار
1401
عنوان كنفرانس
ششمين كنفرانس بين المللي شهرهاي هوشمند، اينترنت اشياء و كاربردها
زبان مدرك
فارسي
چكيده فارسي
در شبكه هاي كامپيوتري، معرفي يك سيستم تشخيص نفوذ با دقت و صحت بالا امري حياتي محسوب مي شود. در اين مقاله يك مدل پيشنهادي با استفاده از الگوريتم يادگيري عميق ارائه و نتايج آن تحليل شده اند. به منظور ارزيابي عملكرد اين الگوريتم از ديتاست هايNSL-KDD ، UNSW-NB15 و MQTTاستفاده شده است. معيار هاي ارزيابي شامل دقت، صحت، امتياز F1 و بازخواني مي باشد. رويكرد جديد با استفاده از الگوريتم تركيبي كه شامل شبكه عصبي كانولوشن (CNN) براي اينكه ويژگي هاي كلي را استخراج كند و حافظه طولاني كوتاه مدت (LSTM) كه ويژگي هاي دوره اي را استخراج مي كند كه در قالب يك لايه متقاطع به هم متصل شده اند، براي تشخيص نفوذ معرفي شده است. اين الگوريتم بالاترين دقت شناخته شده يعني 100% را در مجموعه داده NSL- KDD نشان داد. در UNSW-NB15 در همه معيارها به 99.99% رسيده است. همچنين در MQTT براي سه سطح انتزاعي از ويژگي ها، يعني ويژگي هاي جريان مبتني بر بسته، جريان يك طرفه و جريان دو طرفه به بالاي 99% رسيده است كه نشان از برتري اين الگوريتم مي باشد.
كشور
ايران
لينک به اين مدرک