پیام محمودی نصر

پذیرش گسترده فناوری اینترنت اشیا در بخش های مختلف زیرساخت های حیاتی توجه مهاجمان سایبری را به خود جلب کرده است. آن‌ها از آسیب‌پذیری‌های IoT برای تشکیل شبکه‌ای از دستگاه‌های در معرض خطر، به نام بات‌نت، استفاده می‌کنند که برای انجام حملات سایبری پیچیده علیه زیرساخت‌های حیاتی متصل استفاده می‌شود. اخیراً محققان پتانسیل‌های یادگیری ماشینی و یادگیری عمیق را برای شناسایی حملات بات‌نت در شبکه‌های IoT به طور گسترده بررسی کرده‌اند. با این حال، هنوز چالش هایی وجود دارد که باید در این زمینه مورد توجه قرار گیرد، که شامل تعیین فراپارامترهای مدل بهینه، عملکرد طبقه بندی پایین به دلیل توزیع نامتعادل نمونه در مجموعه آموزشی، نیاز به فضای حافظه بالا برای ذخیره‌سازی داده‌های ترافیک شبکه و عدم حفظ حریم خصوصی داده‌ها می‌باشد. به منظور رسیدگی به این مشکلات، یک روش یادگیری فدرال برای تشخیص حمله بات‌نت در زیرساخت‌های حیاتی مجهز به اینترنت اشیا توسعه داده شده است. در این پایان‌نامه با بررسی چالش‌های امنیتی اینترنت اشیا و بیان کامل راجع به حملات بات‌نت، به فرایند تشخیص بات‌نت در اینترنت اشیا با استفاده از یادگیری فدرال پرداخت شده است. در این پایان‌نامه دو مدل یادگیری عمیق طراحی و همچنین دو مدل با استفاده از یادگیری فدرال طراحی و روی مجموعه‌داده Bot-IoT آموزش داده شده‌اند. برای ارزیابی عملکرد از معیارهای دقت، امتیاز F1، صحت و یادآوری استفاده شده است. با توجه به نتایج به دست آمده مدل CNN با استفاده از یادگیری فدرال به دقت 98.45 و مدل MLP به دقت 97.36 رسیده‌اند. مقایسه مدل‌های پیشنهادی با مقالات دیگر نشان می‌دهد که مدل پیشنهادی به نتایج بهتری دست یافته است.