پیام محمودی نصر

اینترنت اشیا، شبکه‌ای از افراد و اشیا می‌باشد که توسط اینترنت به یکدیگر متصل شده‌اند. این فناوری حوزه‌های متفاوتی مانند شهر هوشمند، خانه هوشمند، خدمات درمانی هوشمند را دربرگرفته و تأثیر شگرفی در نحوه زندگی روزمره انسان به وجود آورده است. با توجه به چالش‌های مربوط به امنیت و حریم خصوصی و همچنین اهمیت و آسیب‌پذیربودن این تکنولوژی، سیستم‌های تشخیص نفوذ می‌توانند نقش مهمی در جهت حفاظت از شبکه اینترنت اشیا ایفا کنند. نظر به دور از ذهن بودن طراحی راهکارهای امنیتی برای یکایک دستگاه‌های اینترنت اشیا به علت تعدد بالای آنها، برقراری امنیت در شبکه داده راه‌حل مناسب‌تری است؛ لذا با توجه به نوع و شدت حملات، ناهمگنی و عدم وجود استانداردسازی دستگاه‌ها، عدم راهگشایی روش‌های سنتی و همچنین رفتار پایدار و قابل پیش‌بینی دستگاه‌های اینترنت اشیا، راه برای استفاده از تکنیک‌های آنالیز داده هموار می‌باشد. از این رو محققان شروع به تمرکز بر ساخت سیستم‌های تشخیص نفوذ با استفاده از روش‌های یادگیری ماشین کرده‌اند. یادگیری ژرف نسخه‌ای جامع‌تر از یادگیری ماشین در زمینه پیچیدگی ساختار و نمایش داده‌های یادگیری است که کارایی بهینه‌ای در زمینه داده‌ها با مقیاس کلان دارد. در این پایان‌نامه با بررسی چالش‌های امنیتی اینترنت اشیا و همچنین انواع سیستم‌های تشخیص نفوذ موجود، به فرایند تشخیص نفوذ در اینترنت اشیا با رویکرد یادگیری ژرف پرداخته شده است. در این پایان‌نامه 21 مدل شبکه عصبی به همراه مدل یادگیری جمعی، طراحی و روی مجموعه‌داده BoT-IoT آموزش داده شده‌اند. به منظور ارزیابی عملکرد از معیار‌های ارزیابی دقت، صحت، یادآوری و امتیاز -F1 استفاده شده است. با توجه به نتایج به دست آمده مدل یادگیری جمعی با مقادیر 99.985%، 99.28%، 99.80% و 99.54% به ترتیب برای دقت، صحت، یادآوری و امتیاز -F1 بهترین عملکرد را از خود نشان داده است. مقایسه نتایج به دست آمده با بهترین نتیجه از پژوهش‌های پیشین، نشان‌دهنده 0.005%، 0.55% و %0.84 بهبود در دقت، یادآوری و امتیاز F1 می‌باشد