دانشگاه آزاد اسلامی واحد تهران جنوب

صفحه اصلی / سومین کنفرانس ملی فناوری های نوین در انرژی

ارتقاء امنیت سایبری در زیرساخت‌های هوشمند انرژی: یک رویکرد تشخیص نفوذ نوین مبتنی بر یادگیری عمیق برای اینترنت اشیاء صنعتی

نویسندگان :

میثم میر یحیی یی¹ مهدی فرتاش² جواد اکبری ترکستانی³

1- Islamic Azad University, South Tehran Branch, Tehran 2- Islamic Azad University, South Tehran Branch 3- Islamic Azad University, South Tehran Branch

کلمات کلیدی :

سیستم تشخیص نفوذ (IDS)،مسئله داده نامتوازن،یادگیری عمیق،تابع زیان تطبیقی،اینترنت اشیاء صنعتی

چکیده :

شناسایی حملات سایبری پیچیده در شبکه‌هایی با ترافیک نامتوازن هوشمند انرژی، چالش‌های قابل توجهی را برای سامانه‌های تشخیص نفوذ (IDS) ایجاد می‌کند. در این مقاله، یک روش یادگیری عمیق پیشرفته مبتنی بر شبکه عصبی کانولوشنال علی (Causal CNN) برای بهبود شناسایی کلاس‌های حملات نادر در ترافیک شبکه نامتوازن اینترنت اشیا صنعتی پیشنهاد شده است. رویکرد ما یک تابع زیان وزن‌دار ترکیبی تطبیقی (AHWL) جدید را معرفی می‌کند که وزن‌های تابع زیان کانونی و تابع زیان آنتروپی متقاطع طبقه‌ای پراکنده را به صورت پویا بر اساس عملکرد مدل تنظیم می‌کند. به طور خاص، تابع زیان، وزن مولفه‌ای را که کمترین خطا را دارد افزایش می‌دهد و مولفه‌ای را که بیشترین خطا را دارد جریمه می‌کند، در نتیجه اطمینان حاصل می‌شود که مدل به نمونه‌های حملات کم‌تر نشان داده شده حساس باقی می‌ماند - همه این‌ها بدون دست‌کاری در پایگاه‌ داده اصلی است. روش پیشنهادی بر روی پایگاه‌‌های داده BoT-IoT و CICIDS-2017 ارزیابی شده و به طور قابل توجهی طبقه‌بندی نفوذهای نادر را بهبود می‌بخشد و در مقایسه با رویکردهای موجود، دقت، حساسیت، امتیاز F1 و صحت بالاتری را به دست می‌آورد.