پروپوزال دانشگاه پیام نور : افزایش امنیت شبکه اینترنت اشیا  با استفاده از سیستم تشخیص نفوذ مبتنی بر الگوریتم های یادگیری عمیق

79,500 تومان

پروپوزال دانشگاه پیام نور : افزایش امنیت شبکه اینترنت اشیا  با استفاده از سیستم تشخیص نفوذ مبتنی بر الگوریتم های یادگیری عمیق

 عنوان انگلیسی پروپوزال Increasing the security of the Internet of Things network using an intrusion detection system based on deep learning algorithms
 سال نگارش 2024-1403
رشته کامپیوتر، برق، فناوری اطلاعات
مناسب برای درس روش تحقیق ، پایان نامه
لینک مقاله بیس https://www.sciencedirect.com/science/article/pii/S2542660523002597
دانلود مقاله بیس

کلیک کنید

 تعداد صفحات 15
قالب فایل Word

فهرست مطالب

  1. عنوان تحقیق
  2. زمان پيش بيني شده براي انجام پایان نامه 
  3.  ‌تعريف مساله و بيان سؤالهاي اصلي تحقيق
  4. سابقه و ضرورت انجام تحقيق
  5. هدف‌ها
  6. فرضيه ها
  7. كاربردهاي متصور از تحقيق
  8. مراجع استفاده كننده از نتيجه پایان نامه
  9. روش انجام تحقيق
  10. روش و ابزار گردآوري اطلاعات
  11. روش تجزیه و تحلیل داده‌ها
  12. ‌ قلمرو تحقيق
  13.  جامعه آماری و روش نمونه‌گیری
  14. فهرست منابع و مآخذ
  15. جنبه جديد بودن و نوآوري تحقيق از منظر دانشجو

بخشی از بیان مساله

پیشرفت‌های اینترنت اشیا (IoT)، رایانش ابری، امنیت رایانه و امنیت سایبری اخیراً پیشرفت چشمگیری داشته است. اینترنت اشیا در بخشهای مختلف زندگی از جمله اتوماسیون خانه هوشمند، برنامه های کاربردی تجاری، شهرهای هوشمند و نظارت بر محیط زیست ظهور یافته است و  ایجاد چارچوب های ارائه خدمات جدید را فراهم نموده است.

شبکه‌های اینترنت اشیا باز هستند و توپولوژی را دائماً با پیوستن و خروج گره‌ها به شبکه در زمان واقعی تغییر می‌دهند. فقدان ابزارهای مدیریت شبکه متمرکز آنها را در برابر تهدیدات امنیتی آسیب پذیر می کند. حملات سایبری پیچیده تر و شناسایی آنها سخت تر می شود زیرا هکرها از تکنیک های پیشرفته برای سرقت داده های حساس استفاده می کنند (Bakhsh و همکاران، 2023).

دستگاه‌های اینترنت اشیا دارای ویژگی‌های خاصی هستند، از جمله اندازه حافظه کوچک، ذخیره‌سازی اطلاعات محدود، منبع تغذیه محدود و پهنای باند اتصال. اثربخشی پروتکل‌های امنیتی برای زیرساخت‌های اینترنت اشیا از نظر رشد و عملکرد به‌طور قابل‌توجهی تحت تأثیر این محدودیت‌ها قرار می‌گیرد. در نتیجه، توسعه یک سیستم تشخیص نفوذ موثر برای یک شبکه IoT به دلیل افزایش سربار که به قدرت محاسباتی نیاز دارد، چالش برانگیز است.

تکنیک‌های یادگیری عمیق (DL) یک رویکرد امیدوارکننده برای شناسایی مؤثر بی‌نظمی‌ها در ترافیک شبکه، افزایش امنیت شبکه اینترنت اشیا و کاهش تهدیدات سایبری هستند.

شبکه‌های عصبی پیش‌خور می‌تواند الگوهای ترافیک شبکه اینترنت اشیا پیچیده را مدیریت کند، در حالی که حافظه کوتاه‌مدت بلند مدت در جذب وابستگی‌های بلندمدت موجود در ترافیک شبکه کاربرد دارد.  با اتصالات تصادفی و دینامیک انعطاف پذیر، شبکه‌های عصبی تصادفی از توانایی یادگیری داده خود برای انطباق و یادگیری از داده های شبکه استفاده می کند. این الگوریتم‌ها با فعال کردن مکانیسم‌های دفاعی در برابر تهدیدات سایبری چالش‌برانگیز و تضمین امنیت داده‌های حساس با گسترش شبکه‌های اینترنت اشیا، امنیت سایبری را تقویت می‌کنند (Bakhsh و همکاران، 2023).

 مزایای دانلود پروپوزال آماده

برخی از مراجع

  •   Bhavsar, M., Roy, K., Kelly, J., & Olusola, O. (2024). Anomaly-based intrusion detection system for IoT application. Discover Internet of Things3(1), 5.
  • Altunay, H. C., & Albayrak, Z. (2023). A hybrid CNN+ LSTMbased intrusion detection system for industrial IoT networks. Engineering Science and Technology, an International Journal38, 101322.
  • Huang, L. (2022). Design of an IoT DDoS attack prediction system based on data mining technology. The Journal of Supercomputing78(4), 4601-4623.
  • Bakhsh, S. A., Khan, M. A., Ahmed, F., Alshehri, M. S., Ali, H., & Ahmad, J. (2023). Enhancing IoT network security through deep learning-powered Intrusion Detection System. Internet of Things24, 100936.
  • Aliyu, A. A., & Liu, J. (2023). Blockchain-Based Smart Farm Security Framework for the Internet of Things. Sensors23(18), 7992.
  • Muthanna, M. S. A., Alkanhel, R., Muthanna, A., Rafiq, A., & Abdullah, W. A. M. (2022). Towards SDN-enabled, intelligent intrusion detection system for internet of things (IoT). IEEE Access10, 22756-22768.

 سایر لینکهای مرتبط

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.