فهرست نشریات علمی دسترسی آزاد ایران

با گسترش سریع اینترنت اشیا، تعداد دستگاه‌های متصل به شبکه به‌طور قابل­توجهی افزایش‌یافته که این امر چالش‌های بزرگی در زمینه امنیت سایبری و پردازش حجم عظیمی از داده‌ها ایجاد کرده است. یکی از مهم‌ترین چالش‌ها، تشخیص بدافزارهای جدید است که روش‌های سنتی مبتنی بر امضا قادر به شناسایی آن‌ها نیستند. در این راستا، استفاده از یادگیری ماشین به‌عنوان یک راهکار جدید برای طبقه‌بندی بدافزارهای IoT مطرح‌شده است، اما اجرای مستقیم این مدل‌ها بر روی دستگاه‌های IoT به دلیل محدودیت‌های پردازشی، حافظه محدود و مصرف انرژی بالا، با مشکلات جدی روبه‌رو است. در این پژوهش، چارچوبی یادگیری آگاه از لبه برای طبقه‌بندی بدافزارهای IoT معرفی می‌شود که از روش کاهش تطبیقی ابعاد مبتنی بر میانگین بلوک بهره می‌برد. این روش داده‌ها را به‌صورت محلی و در خود دستگاه‌های لبه‌ای پردازش می‌کند، که به کاهش نیاز به ارسال حجم زیادی از داده‌ها به سرورهای ابری کمک می‌کند. در نتیجه، استفاده از این چارچوب باعث کاهش تأخیر پردازش، افزایش سرعت واکنش به تهدیدات و بهبود کارایی در محیط‌هایی با منابع محدود می‌شود. با اعمال کاهش ابعاد تطبیقی، ویژگی‌های داده‌ها به شکلی بهینه کاهش می‌یابند بدون اینکه اطلاعات کلیدی از دست برود. در نهایت، این روش امکان پیاده‌سازی سیستم‌های امنیتی بلادرنگ با کارایی و امنیت بالا در محیط‌های IoT را فراهم می‌آورد و به‌طور قابل‌توجهی به افزایش کارایی این سیستم‌ها کمک می‌کند.