غسان الجنابی - دانشگاه آزاد اسلامی واحد تهران جنوب، دانشکده فنی و مهندسیء گروه کامپیوتر و نرم افزار
بهناز نحوی - استادیار، دانشگاه آزاد اسلامی واحد کرج، دانشکده مهندسی داده و هوش مصنوعی، گروه کامیپوتر

سیستم های تشخیص نفوذ در دهه های اخیر برای کمک به شناسایی زودهنگام نفوذها و مشکلات امنیتی بسیار کاربرد دارند.مهمترین مساله برای این سیستم هاء افزایش دقت تشخیص نفوذها می باشد. لذا در این تحقیق، یک IDS مبتنی بر مدل هاییادگیری عمیق برای تشخیص نفوذ در یک محیط های اینترنت اشیاء پیشنهاد شده است. این تحقیق با استفاده از روش های CNN،LSTM و CNN+ LSTM برای افزایش دقت سیستم های تشخیص نفوذ انجام شد. مدل های یادگیری عمیق با استفاده ازمجموعه داده های NSW-NB۱۵ به منظور تعیین الگوهای غیرعادی در این تحقیق پیاده سازی شدند. هیچ روش اد گیری ماشیناضافی در فرآیند انتخاب ویژگی استفاده نشد. روش های یادگیری عمیق می توانند خود به تنهایی انتخاب ویژگیها را انجام بدهند.نتایج تجربی مدل های یادگیری عمیق پیشنهادی نسبت به روش های قبلی توسعه یافته در همان مجموعه داده برتر بود. این نتایجنشان دهنده برتری روش های یاددگیری عمیق در تشخیص رویدادهای غیرعادی در مجموعه داده های بزرگ و پیچیده است.

تشخیص نفوذ، نظارت شده، شبکه ترکیبی CNN-LSTM، خانه های هوشمند، اینترنت اشیاء