دانلود ترجمه مقاله طرح تشخیص حمله توزیع شده با رویکرد یادگیری عمقی (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

طرح تشخیص حمله توزیع شده با استفاده از رویکرد یادگیری عمقی برای اینترنت اشیا

Distributed attack detection scheme using deep learning approach for Internet of Things

چکیده

1. مقدمه

2. کارهای مرتبط

3. امنیت اینترنتی در IOT های اجتماعی

4. مروری بر یادگیری عمیق

5. روش ما

6. ارزیابی

6.1 مجموعه داده، الگوریتم و ماتریس های آن

6.2 محیط آزمایشی

6.3 نتایج و مباحث

7. جمع بندی و کار های آتی

چکیده

امنیت اینترنتی یکی از مهم ترین موضوعات برای تمام بخش های فضای اینترنتی می باشد زیرا تعداد حمله های امنیتی به مرور زمان در حال افزایش می باشد. اکنون کاملا مشخص شده است که تعداد حمله های روز صفر در حال افزایش می باشد زیرا پروتکل های مختلفی در فضای اینترنتی افزوده شده اند که عموما از اینترنت اشیا (IoT) سرچشمه می گیرند. بیشتر این حمله ها، نمونه هایی کوچک از حمله های اینترنتی است که از پیش شناخته شده اند. این موضوع نشان می دهد که حتی مکانیزم های پیشرفته مانند سیستم های یادگیری ماشینی متداول ، در زمینه ی شناسایی این جهش های کوچک در نوع حمله ها در مرور زمان، با مشکل رو به رو هستند. در طرف دیگر، موفقیت روش یادگیری عمیق (DL) در زمینه های مختلف با داده های گسترده، موجب شده است که فعالان در زمینه ی فضای اینترنتی به این روش ها علاقه مند بشوند. استفاده از DL بسیار کاربردی بوده است زیرا این روش ها موجب بهبود CPU و ابعاد الگوریتم های شبکه های عصبی می شوند. استفاده از DL برای شناسایی حمله در فضای اینترنتی، می تواند یکی از روش های قوی برای شناسایی جهش های کوچک و یا حمله های جدید باشد زیرا این روش ها توانایی استخراج ویژگی بسیار قوی ای دارند. ظرفیت های خود آموزی و فشردگی در معماری شبکه های یادگیری عمیق ، مهم ترین مکانیزم های کشف الگوهای پنهان از داده های تمرینی می باشد تا این شبکه ها بتوانند حمله های اینترنتی را نسبت به جریان عادی ترافیک، تفکیک کنند. هدف این تحقیق استفاده از یک روش جدید یادگیری عمیق برای زمینه های امنیت اینترنتی می باشد تا بتوان حمله های اینترنتی در شبکه های اجتماعی اینترنت اشیا را شناسایی کرد. عملکرد این مدل یادگیری عمیق با روش های یادگیری متداول ماشینی مقایسه شده و توانایی آن ها برای شناسایی توزیع شده ی حمله ها در مقایسه با سیستم های شناسایی مرکزی، ارزیابی شده است. آزمایش ها نشان می دهد که سیستم توزیع شده ی شناسایی حمله که ما ارائه کرده ایم، نسبت به سیستم های شناسایی مرکزی با استفاده از مدل های یادگیری عمیق، عملکرد بهتری دارند. همچنین در این مقاله نشان داده شده است که مدل های یادگیری عمیق نسبت به دیگر روش های غیر عمقی، عملکرد بهتری دارد.

7. جمع بندی و کار های آتی

 در این مقاله، ما یک روش یادگیری عمقی مبتنی بر شبکه های Iot / مه را ارائه کردیم. نتایج نشان داده که می توان از هوش مصنوعی به صورت موفق برای امنیت اینترنتی استفاده کرد و سیستم هایی را برای شناسایی حمله در معماری توزیع شده از برنامه های IoT طراحی و اجرا کرد ؛ این کاربرد ها شامل محیط شهر های هوشمند می باشد. روند ارزیابی برای این الگوریتم بر اساس معیار های صحت، نرخ شناسایی، نرخ اخطار غلط و غیره به عنوان شاخص های عملکرد انجام شده است که این ارزیابی ها نشان دهنده ی کارایی برتر مدل عمقی برای مدل های کم عمق می باشد. آزمایش های ما نشان داده است که شناسایی حمله به صورت توزیع شده می تواند نسبت به الگوریتم های مرکزی ، حمله های اینترنتی را بهتر شناسایی کند زیرا می تواند پارامتر ها را به اشتراک بگذارد و این موضوع مانع شکل گیری مینیموم های محلی در داده های تمرینی می شود. همچنین در این مطالعه نشان داده شده است که مدل عمقی ما نسبت به سیستم های یادگیری ماشینی متداول مانند سافتمکس برای طبقه بندی داده ها به صورت دو طبقه ای نرمال/ حمله در ارزیابی داده های تمرینی جدید، عملکرد بهتری داشته است. در آینده، ما یادگیری عمیق توزیع شده ی IDS را برای یک مجموعه داده ی دیگر و الگوریتم های یادگیری ماشینی متداول مانند SVM ، درخت های تصمیم گیری و دیگر شبکه های عصبی مقایسه می کنیم. به علاوه، داده های حداکثر بار شبکه ها نیز برای شناسایی حمله مورد بررسی قرار می گیرد زیرا این حداکثر بار نیز می تواند الگوهای مهمی برای تمایز بین حالت عادی و حمله شناسایی کند.

Abstract

Cybersecurity continues to be a serious issue for any sector in the cyberspace as the number of security breaches is increasing from time to time. It is known that thousands of zeroday attacks are continuously emerging because of the addition of various protocols mainly from Internet of Things (IoT). Most of these attacks are small variants of previously known cyberattacks. This indicates that even advanced mechanisms such as traditional machine learning systems face difficulty of detecting these small mutants of attacks over time. On the other hand, the success of deep learning (DL) in various big data fields has drawn several interests in cybersecurity fields. The application of DL has been practical because of the improvement in CPU and neural network algorithms aspects. The use of DL for attack detection in the cyberspace could be a resilient mechanism to small mutations or novel attacks because of its high-level feature extraction capability. The self-taught and compression capabilities of deep learning architectures are key mechanisms for hidden pattern discovery from the training data so that attacks are discriminated from benign traffic. This research is aimed at adopting a new approach, deep learning, to cybersecurity to enable the detection of attacks in social internet of things. The performance of the deep model is compared against traditional machine learning approach, and distributed attack detection is evaluated against the centralized detection system. The experiments have shown that our distributed attack detection system is superior to centralized detection systems using deep learning model. It has also been demonstrated that the deep model is more effective in attack detection than its shallow counter parts.

7. CONCLUSION AND FUTURE WORK

We proposed a distributed deep learning based IoT/Fog network attack detection system. The experiment has shown the successful adoption of artificial intelligence to cybersecurity, and designed and implemented the system for attack detection in distributed architecture of IoT applications such as smart cities. The evaluation process has employed accuracy, the detection rate, false alarm rate, etc as performance metrics to show the effectiveness of deep models over shallow models. The experiment has demonstrated that distributed attack detection can better detect cyber-attacks than centralized algorithms because of the sharing of parameters which can avoid local minima in training. It has also been demonstrated that our deep model has excelled the traditional machine learning systems such as softmax for the network data classification into normal/attack when evaluated on already unseen test data. In the future, we will compare distributed deep learning IDS for on another dataset and different traditional machine learning algorithms such as SVM, decision trees and other neural networks. Additionally, network payload data, will be investigated to detect intrusion as it might provide a crucial pattern for differentiation.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طرح تشخیص حمله توزیع شده با استفاده از رویکرد یادگیری عمقی برای اینترنت اشیا

Distributed attack detection scheme using deep learning approach for Internet of Things