ارائه کننده: زهرا گودرزی

استاد راهنما: دکتر همائی

استاد ناظر داخلی: دکتر شفیعی نژاد

استاد ناظر خارجی: دکتر هادوی

تاریخ: ۱۴۰۵/۰۶/۲۳ 

ساعت: ۱۵ 

مکان: اتاق شورا(711)

چکیده:

گسترش سریع اینترنت اشیا و افزایش تعداد دستگاه‌های متصل، در کنار ناهمگونی معماری‌ها، پروتکل‌ها و الگوهای ترافیکی، سطح حمله سامانه‌های شبکه‌ای را به‌طور چشمگیری افزایش داده است. در این میان، تشخیص نفوذ در محیط‌های اینترنت اشیا به دلیل محدودیت منابع محاسباتی، تنوع بالای حملات و نامتوازن بودن داده‌ها، به یکی از چالش‌های امنیت سایبری تبدیل شده است. بسیاری از روش‌های تشخیص نفوذ موجود در این حوزه یا بر تشخیص دودویی (ترافیک سالم و مخرب) متمرکزند، یا در تفکیک دقیق انواع حملات در سناریوهای چنددسته‌ای عملکرد مطلوبی ندارند. این امر، امکان واکنش سریع به حملات را با چالش مواجه می‌کند. در این پژوهش، یک روش ترکیبی برای تشخیص نفوذ چنددسته‌ای در اینترنت اشیا ارائه می‌شود که در آن از الگوریتم فراابتکاری خفاش برای انتخاب ویژگی‌های مؤثر و از شبکه عصبی پیچشی برای طبقه‌بندی حملات استفاده شده‌است. به این منظور، ۱۶ ویژگی کلیدی از مجموعه‌داده‌های به‌روز در حوزه اینترنت اشیا و اینترنت اشیای پزشکی انتخاب شده و به شبکه پیچشی وارد می‌شوند. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی عمکرد بهتری نسبت به پژوهش‌های پیشین در طبقه‌بندی چنددسته‌ای دارد. به طور مشخص، با استفاده از روش پیسنهادی در معیارهای مختلف دقت، بازخوانی، صحت و امتیاز F1 به مقادیری بین 94 و 95 درصد دست یافتیم. همچنین نتایج تحلیل تعداد ویژگی‌ها نشان داد که انتخاب ۱۶ ویژگی نسبت به ۹ و ۲۵ ویژگی، تعادل بهتری میان دقت، تعمیم‌پذیری و کاهش هزینه محاسباتی ایجاد می‌کند.