بررسی روشهای ترکیبی یادگیری فدرال و یادگیری عمیق در امنیت اینترنت اشیا

اینترنت اشیا یکی از پرکاربردترین فناوری های امروزی است و اغلب به عنوان یک شبکه متصل از اجزای ناهمگن توصیف می شود که سیستم ها و سرویس های هوشمند را قادر می سازد که داده ها را شناسایی، ضبط، توزیع و تجزیه و تحلیل کنند. اکوسیستم اینترنت اشیا به سیستم های تشخیص نفوذ، برای کاهش حملات سایبری و بهره برداری از آسیب پذیری های امنیتی نیاز دارد. در این مقاله به بررسی خلاصه ای از روش های پیشرفته تشخیص نفوذ برای امنیت اینترنت اشیا اعم از الگوریتم هایی بر پایه یادگیری عمیق، یادگیری فدرال و یادگیری های توزیع شده می پردازد و نشان می دهد که می توان حریم خصوصی داده ها را در حین به اشتراک گذاشتن اطلاعات با سایر سیستم ها حفظ نمود و دقت و زمان محاسباتی را بهبود بخشید. همچنین زمینه های بالقوه ای هم برای تحقیقات آینده با توجه به چالش های مطرح شده فراهم شده است.