تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب

  • سه شنبه ۱۵ مرداد ۱۳۹۸
  • بازدید 31 نفر
  • 1 امتیاز2 امتیاز3 امتیاز4 امتیاز5 امتیاز (5 امتیاز از 1 رای)
    Loading...

تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب

تشخیص حمله توزیع شده در اینترنت اشیا با یادگیری عمیق در MATLAB

در این بخش پروژه شبیه سازی تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در نرم افزار MATLAB آماده کرده ایم که بر اساس مقاله Distributed attack detection scheme using deep learning approach for Internet of Things انجام شده است. در ادامه به توضیحاتی از مقاله پرداخته و فیلم و تصاویر خروجی پروژه در محیط متلب به همراه لینک دانلود رایگان مقاله مرجع قرار داده شده است.

امنیت اینترنتی و حمله های اینترنتی (Cyberattacks)

یکی از مهم ترین موضوعات در همه زمینه های فضای اینترنتی، امنیت اینترنتی است چرا که تعداد حمله های امنیتی به مرور زمان در حال گسترش است. در حال حاضر به صورت کامل مشخص شده که تعداد حمله های روز صفر (Zero-day attack) در حال افزایش می باشد که دلیل آن نیز این است که پروتکل های مختلفی به فضای اینترنتی اضافه شده اند که اغلب از اینترنت اشیا (Internet of Things – IoT) سرچشمه می گیرند. اکثرا این حمله ها، نمونه هایی کوچک از حمله های اینترنتی (Cyberattacks) می باشد که از قبل شناخته شده اند. این امر نشان دهنده آن است که حتی مکانیزم های پیشرفته همچون سیستم های یادگیری ماشین (Machine learning) متداول، در شناسایی این جهش های کوچک در نوع حمله ها در طی زمان، با مشکلاتی رو به رو می شوند.

تشخیص حملات اینترنتی با یادگیری عمیق (Deep Learning)

موفقیت روش یادگیری عمیق (Deep Learning – DL) در حوزه های مختلف با داده های عظیم (Big Data)، موجب شده که فعالان در حوزه فضای اینترنتی به این روش ها علاقه نشان دهند. استفاده از یادگیری عمیق (DL) بسیار کاربردی و به طور گسترده در زمینه های مختلف مورد استفاده قرار می گیرد، چرا که این روش ها باعث بهبود CPU و ابعاد الگوریتم های شبکه های عصبی (Neural networks – NN) می گردد. بکارگیری یادگیری عمیق (DL) جهت تشخیص حمله (Attack detection) در فضای اینترنتی، می تواند یکی از روش های بالقوه به منظور شناسایی جهش های کوچک و یا حمله های جدید گردد زیرا این روش ها سیستم بسیار قوی ای در استخراج ویژگی ها دارند. در معماری شبکه های یادگیری عمیق، ظرفیت های خود آموزی و فشردگی، از مهم ترین مکانیزم های کشف الگوهای پنهان از داده های تمرینی است تا این شبکه ها قادر باشند حمله های اینترنتی را نسبت به جریان عادی ترافیک، تفکیک نمایند.

معرفی مقاله

هدف ما از این پژوهش، بکارگیری یک روش جدید یادگیری عمیق (Deep Learning) برای زمینه های امنیت اینترنتی است تا از طریق طریق بتوانیم حمله های اینترنتی در شبکه های اجتماعی اینترنت اشیا (IoT) را شناسایی کنیم.

شبیه سازی با نرم افزار MATLAB

کارایی این مدل یادگیری عمیق با روش های یادگیری متداول ماشینی مقایسه شده و توانایی آنها به منظور تشخیص حمله های توزیع شده نسبت به سیستم های شناسایی مرکزی، با استفاده از نرم افزار MATLAB ارزیابی شده است. شبیه سازی های انجام شده با نرم افزار MATLAB نشان می دهد که سیستم توزیع شده شناسایی حمله که ما پیشنهاد داده ایم، در مقایسه با سیستم های شناسایی مرکزی به کمک مدل های یادگیری عمیق، عملکرد بهتری داشته است. همچنین در این مقاله نشان داده شده که مدل های یادگیری عمیق (Deep Learning) در مقایسه با دیگر روش های غیر عمقی، کارایی بهتری را از خود نشان می دهد.

تصاویر خروجی پروژه در محیط MATLAB

تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب تشخیص حمله توزیع شده در اینترنت اشیا (IOT) با روش یادگیری عمیق (Deep Learning) در متلب


مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید