مهرنوش نوبخت - دانشجوی دکتری مدیریت فناوری اطلاعات گروه مدیریت فناوری اطلاعات دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
رضا جاویدان - دانشیار، گروه مهندسی فناوری اطلاعات دانشگاه صنعتی، شیراز، ایران
علیرضا پورابراهیمی - استادیار، گروه مدیریت صنعتی، دانشگاه آزاد اسلامی کرج، ایران،

با افزایش نفوذ نرم افزارهای مخرب به دستگاه های هوشمند، تشخیص بدافزار به یکی از چالش های مهم در حوزه امنیت اینترنت اشیا تبدیل شده است. تا کنون روش های متعددی در این زمینه ارائه شده که در این میان، روش های مبتنی بر الگوریتم های یادگیری عمیق بدلیل توانایی استخراج خودکار بازنمایی های پیچیده از داده ها، از عملکرد مناسب تری برخوردارند. از آنجایی که هایپرپارامترهانقش مهمی در موفقیت شبکه عصبی عمیق دارند، تنظیم و بهینه سازی آنها از اهمیت ویژه ای برخوردار است. از این رو در این پژوهش، پیکربندی های مختلف از یک طبقه بند مبتنی بر شبکه عصبی کانولوشنی یک بعدی (۱D-CNN) طراحی شده و پس از بهینه سازی هایپرپارامترها، از آن جهت تشخیص جریان های مخرب شبکه استفاده شده است. شبکه عصبی کانولوشنی یک بعدی کمک میکند تا طبقه بند سبک وزن با حداقل تعداد لایه ها را داشته باشیم. جهت آموزش طبقه بندCNN پیشنهادی، از مجموعه دادهUNSW-NB۱۵ استفاده شده است. یافته ها نشان میدهد که مدل ارائه شده در مقایسه با مدل های مشابه از دقت قابل قبول و بالاتری (۹۷.۹۹ %) برخوردار است.

شبکه عصبی کانولوشنی یک بعدی، تشخیص بدافزار، اینترنت اشیا، بهینه سازی هایپرپارامترها، IoT ،CNN