|
Title
|
كاربرد يادگيري ماشين در تشخيص انواع حملات سايبري
در اينترنت اشيا
|
|
Type
|
Presentation
|
|
Keywords
|
امنيت سايبري، يادگيري ماشين، تشخيص حملات، شبكه هاي كامپيوتري، يادگيري عميق، اينترنت اشيا.
|
|
Abstract
|
با پيچيده تر شدن و تنوع يافتن حملات سايبري نظير حملات منع سرويس توزيع شده (DDoS)، نفوذ و بدافزارها، ضرورت بهره گيري از روش هاي پيشرفته براي تشخيص به موقع اين تهديدات در شبكه هاي كامپيوتري بيش از پيش آشكار شده است. يادگيري ماشين، به دليل توانايي در تحليل الگوهاي پيچيده و شناسايي ناهنجاري ها، به ابزاري كليدي در حوزه امنيت سايبري تبديل شده است [1]. اين مقاله كاربرد مدل هاي يادگيري ماشين — شامل يادگيري نظارت شده (مانند SVM)، يادگيري عميق (مانند LSTM) و مدل هاي هيبريدي — را در تشخيص حملات سايبري بررسي مي كند. مدل هاي پيشنهادي با استفاده از مجموعه داده هاي استاندارد NSL-KDD و CICIDS2017 ارزيابي شده اند و نتايج، دستيابي به دقت 94٪ را در مدل هاي هيبريدي براي تشخيص حملات در شبكه هاي IoT نشان مي دهند [10]. همچنين، چالش هايي همچون حملات خصمانه عليه مدل هاي يادگيري ماشين و مسائل مربوط به داده هاي نامتوازن مورد بحث قرار گرفته اند [5]. در پايان، راهكارهايي براي بهبود سيستم هاي تشخيص و جهت گيري هاي پژوهشي آينده ارائه مي شود.
|
|
Researchers
|
Hamed Monkaresi (First researcher) , gholamreza Ahmadi (Second researcher)
|