محمد کاظمی - راهبر شبکه، دفتر فناوری اطلاعات و ارتباطات، معاونت برنامه ریزی، شرکت توزیع برق تهران بزرگ

شبکه اینترنت اشیاء یک شبکه عظیم از انواع اشیاء هوشمند بوده که توانایی اتصال به شبکه اینترنت را دارند. شبکه های نسل آتی در واقع یک بخش از شبکه اینترنت اشیاء بوده و این فناوری در حال پیشرفت در بخش های مختلف است و به عنوان نمونه می توان از کاربردهای آن در کشاورزی، صعنعت، حوزه های نظامی و شهرهای هوشمند نام برد. یکی از اهداف پدافند عامل استفاده از رویکردهای است که بتوان امنیت شبکه های کامپیوتری در سطح کلان را افزایش دهد. شبکه اینترنت اشیاء مانند هر شبکه کامپیوتری می تواند آماج انواع حملات و بدافزارها برای نفوذ به شبکه باشد لذا نیاز است تا روش های نوینی برای مقابله با نفوذ در آن ارائه شود. تشخیص بدافزار و انواع نفوذ در شبکه های مبتنی بر اینترنت اشیاء یک چالش مهم و حیاتی است زیرا حجم داده ها و ترافیک این شبکه ها بقدری زیاد است که نمی توان به سادگی و در زمان واقعی الگوی نفوذ به شبکه را با روش های یادگیری ماشین تشخیص داد. در این مقاله برای مقابله با نفوذ به شبکه و انواع بدافزار در اینترنت اشیاء یک روش یادگیری توزیع شده مبتنی بر پردازش ابری در محیط آپاچی اسپارک ارائه شده است و نتایج آزمایشات ما بر روی داده های مرتبط با شبکه نیروی هوایی امریکا به عنوان داده های آموزشی و آزمون نشان می دهد در اسپارک شتاب روش های یادگیری جنگل تصادفی در تشخیص نفوذ به شبکه به حدود 4.29 برابر حالت غیرتوزیع شده می رسد.

تشخیص نزوذ، پدافند غیر عامل، شبکه اینترنت اشیاء، امنیت شبکه