فهرست نشریات علمی دسترسی آزاد ایران

اینترنت اشیا (IoT) با فراهم‌سازی بستری برای ارتباط خودکار بین میلیون‌ها دستگاه هوشمند، به یکی از زیرساخت‌های حیاتی دنیای مدرن دبل شده است. با افزایش چشمگیر تنوع، مقیاس و تحرک‌پذیری این دستگاه‌ها، آسیب‌پذیری‌های امنیتی نیز به‌طور فزاینده‌ای تشدید شده‌اند. به‌ویژه، تهدیدات پنهان و پیچیده‌ای که از طریق الگوهای رفتاری غیرمعمول در شبکه پدید می‌آیند، ضرورت بهره‌گیری از روش‌های پیشرفته‌ی تشخیص ناهنجاری را دوچندان نموده است. در این پژوهش، مدلی نوین با بهره‌گیری از رویکرد یادگیری گروهی ارائه گردیده که ترکیبی از تکنیک‌های یادگیری عمیق و الگوریتم‌های کلاسیک یادگیری ماشین را به کار گرفته است. پس از انجام پیش‌پردازش داده‌ها، ویژگی‌های کلیدی از طریق رمزگذار خودکار پشته‌ای (SAE) و رمزگذار خودکار عمیق (DAE) استخراج شده‌اند. در ادامه، یک چارچوب یادگیری گروهی متشکل از درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، شبکه عصبی احتمالی (PNN) و نوع وزنی آن (WPNN) برای شناسایی ناهنجاری‌ها مورد استفاده قرار گرفته است.از نوآوری‌های این تحقیق می‌توان به طراحی یک سازوکار انتخاب پویای ویژگی در لایه رمزگذار و همچنین پیشنهاد یک طرح وزندهی تطبیقی برای ترکیب خروجی مدل‌های گروهی اشاره کرد، که موجب بهبود دقت در تشخیص حملات ناشناخته و کاهش نرخ مثبت کاذب شده است. مدل پیشنهادی بر روی چندین مجموعه‌داده معتبر از جمله NSL-KDD، BoT-IoT، IoT-NI، IoT-23، MQTT، MQTTset و IoT-DS2 ارزیابی شده و نتایج بهبود عملکرد قابل‌توجهی را در مقایسه با مدل‌های مرجع نشان داده‌اند.