بررسی تکنیک‌های داده‌کاوی و یادگیری عمیق در تشخیص نفوذ و بهبود امنیت شبکه‌های اینترنت اشیا

بیان مسئله و ضرورت تحقیق

اینترنت اشیا (IoT) شبکه‌ای از دستگاه‌های فیزیکی است که به اینترنت متصل شده‌اند و می‌توانند با هم ارتباط برقرار کنند. این دستگاه‌ها می‌توانند داده‌ها را جمع‌آوری کرده و ارسال کنند تا برای کنترل و مدیریت بهتر استفاده شوند.  دستگاه‌هایی مختلفی که در خانه می توانند از تکنولوژی اینترنت اشیا استفاده کنند شامل نورپردازی، گرمایش، تهویه مطبوع، تلویزیون‌ها، یخچال‌ها و بسیاری دیگر هستند که می‌توانند به یک شبکه برای کنترل از راه دور، اتوماسیون و دیگر تعاملات متصل شوند. اینترنت اشیا توانایی نظارت بر فرآیندهای صنعتی برای افزایش بهره‌وری و کاهش هزینه‌های عملیاتی را دارد . در مدیریت شهری،  اینترنت اشیا  می‌تواند برای مدیریت ترافیک، نظارت بر محیط زیست و برنامه‌های ایمنی عمومی استفاده شود. علاوه بر این، اینترنت اشیا  کاربردهای مختلفی در مراقبت‌های بهداشتی، کشاورزی و خرده‌فروشی دارد.

اینترنت اشیا در سال‌های اخیر رشد چشمگیری داشته است، اما در کنار این رشد سریع، چالش‌های امنیتی جدی هم به همراه داشته است. یکی از مهم‌ترین این چالش‌ها، حفاظت از حریم خصوصی و امنیت داده‌های کاربران است. تصور کنید حجم عظیمی از داده‌های شخصی ما از طریق دستگاه‌های هوشمند مختلف ردوبدل می‌شود. این حجم عظیم از داده‌ها، یک هدف جذاب برای هکرها است و می‌تواند به راحتی مورد حمله قرار بگیرد. به همین دلیل، امنیت در اینترنت اشیا یک نگرانی جدی است.  تحقیقات در چند سال اخیر در زمینه استفاده از هوش مصنوعی و سیستم های تشخیص نفوذ مبتنی بر یادگیری ماشین در دستگاه‌های اینترنت اشیا، افزایش یافته است. این سیستم‌ها قادر به یادگیری خودکار الگوهای رفتاری عادی شبکه هستند تا الگوهای رفتاری غیرعادی را شناسایی کنندشکل زیر یک سیستم تشخیص نفوذ  در شبکه اینترنت اشیا و کارکرد این سیستم در تشخیص حملات و شناسایی نفوذها و صدور هشدار برای رفتارهای مشکوک را نشان می‌دهد.

استفاده از یادگیری عمیق در سیستم‌های امنیتی اینترنت اشیا روزبه‌روز بیشتر می‌شود. دلیل این محبوبیت، مزایای زیادی است که این فناوری به همراه دارد. مثلاً:

• تشخیص دقیق‌تر تهدیدات: مدل‌های یادگیری عمیق خیلی بهتر از روش‌های قدیمی می‌توانند حملات سایبری را شناسایی کنند.
• کاهش هشدارهای اشتباهی: این مدل‌ها کمتر خطا می‌کنند و کمتر اتفاق می‌افتد که یک حمله‌ی واقعی را تشخیص ندهند.
• نیاز کمتر به دخالت انسان: برخلاف روش‌های سنتی، در یادگیری عمیق، نیاز به تنظیمات دستی و تخصصی کمتر است. مدل‌ها خودشان می‌توانند ویژگی‌های خطرناک را پیدا کنند.

یکی از کاربردهای مهم یادگیری عمیق در امنیت شبکه‌ها، تحلیل ترافیک شبکه است. با آموزش مدل‌ها روی داده‌های ترافیکی، می‌توانیم الگوهای رفتاری نرمال و غیرنرمال شبکه‌ها را تشخیص دهیم.  مدل‌های یادگیری عمیق با بررسی ویژگی‌ها و الگوهای ترافیک شبکه، می‌توانند حملات سایبری را به دقت شناسایی کنند. البته عملکرد خوب یک سیستم تشخیص نفوذ به روش‌های استخراج ویژگی‌ها و طبقه‌بندی اطلاعات بستگی زیادی دارد  (Liao و همکاران، 2024). با توجه به اهمیت امنیت در شبکه اینترنت اشیا، در این تحقیق به بررسی کاربرد الگوریتم های یادگیری عمیق و داده کاوی در سیستم های تشخیص نفوذ برای محافظت از شبکه های اینترنت اشیا می پردازیم.