منصة الرسائل والاطاريح: تحسين أمن بناء الؤسسات القائمة على التعلم العميق في انترنت الأشياء

الخلاصة

الأمن السيبراني له دور مهم وفعال في مجال تكنولوجيا المعلومات. أصبحت حماية المعلومات مشكلة كبيرة جدًا ومصدر قلق في العديد من المؤسسات. ونظرًا لزيادة الهجمات الإلكترونية في مختلف المجالات، فقد أخذت حماية الشبكة دورًا مهمًا للغاية في العديد من الأبحاث. تتعرض العديد من المؤسسات أنواع مختلفة من الهجمات الإلكترونية التي تعمل على تغيير وتدمير البيانات على الشبكة من خلال الاتصالات الذكية بين الأشخاص والأشياء والبيانات والعمليات داخل النظام الواحد، إنترنت الأشياء يعتبر مستوى جديد من الأنظمة الذكية. ولان أنظمة إنترنت الأشياء مصممة بأجهزة محدودة وبروتوكولات خفيفة الوزن، فإن الحماية شرط أساسي لنجاحها. لذلك، فإن هدف العمل هو توفير نظام آمن خفيف الوزن لحماية بيانات المؤسسة والشبكة من المتسللين والهجمات باستخدام مزيج من خوارزميات التعلم العميق وتعلم الآلة. بالإضافة إلى ذلك، تم تطبيق تقنيتين هجينتين للتعلم العميق والتعلم الآلي كاستراتيجية ذكية لنظام الأمان المقترح. الذاكرة طويلة المدى القصيرة (LSTM) والشبكة العصبية التلافيفية (CNN) تم استخدامها كطريقة ذكية للكشف عن الهجوم والمتسللين. تم تقسيم النظام المقترح إلى مرحلتين هما مراقبة الأحداث خارج البناية واكتشاف المتسللين في الشبكات. بيانات الإدخال في مرحلة المراقبة هي مجموعة من الصور مأخوذة من كاميرا والبالغ عددها 1400 صورة تقريبا، اما في مرحلة اكتشاف التطفل، بيانات الإدخال هيUNSW-NB15 ، NSL-KDD ، CICIoT2023 ،N-BaIoT. في المرحلة الأولى، تم استخدام هجين من الذاكرة طويلة المدى وقصيرة المدى وشبكة عصبية ملتوية (FHCNN-LSTM) لمراقبة البناية (اكتشاف الحدث) بطريقة متداخلة بدون طبقة إخراج لتقليل الحمل في Raspberry Pi وتم تدريبه باستخدام مجموعة بيانات محلية. سيتم إرسال الميزات (الخصائص) التي تم الحصول عليها من FHCNN-LSTM إلى جانب المسؤول لتصنيف نوع الحدث. اما في المرحلة الثانية (نظام اكتشاف التطفل) تم استخدام هجين من خوارزمية CNN وLSTM المسماة (SHCNN-LSTM). بيانات الادخال لهذه المرحلة هي استخدام أربع مجموعات بيانات (UNSW-NB15 وNSL-KDD وN-BaIoT وCICIoT2023) لتدريب SHCNN-LSTM. تم استخدام مجموعة من خوارزميات تعلم الالة (HML) مثل (Decision Tree وRandom Forest وKNearest Neighbor وSupport Vector Machine وNaïve Bayes وغيرها) لاكتشاف الهجومات على الشبكة وحساب التصنيف في طبقة الإخراج بناءً على دالة RUF والتي كانت عبارة عن مزيج من إحدى خوارزميات تعام الالة ومجموعة من دوال التنشيط لتصنيف نوع الحدث. يقدم هذا العمل أيضًا نظام أمان لحماية خصائص الأجهزة في مجموعة من الغرف من المتسللين والحوادث داخل المبنى استنادًا إلى Raspberry Pi الذي تم برمجته لأداء التشفير باستخدام خوارزمية Hybrid PRESENT SPECK (HSPECK) لتشفير الخصائص استنادًا إلى FHCNN-LSTM قبل إرسالها إلى المسؤول. مقاييس التقييم التي استخدمت في هذا العمل ((Accuracy, Precesion, Recall , F1_score كأدوات تقييم للدراسة. أظهر نظام مراقبة البناية FHCNN-LSTM أفضل النتائج بأعلى دقة وبلغت 99.81٪ للتصنيف الثنائي. أما بالنسبة لكشف التطفل ، فقد كانت أعلى دقة 999.9٪ للتصنيف الثنائي، و 99.12٪ للتصنيف المتعدد على بيانات N-BaIoT، و 99.65٪ للتصنيف المتعدد على بيانات CICIoT2023. اعطى نظام كشف التطفل الهجين القائم على HML أفضل النتائج بأعلى دقة 99.45٪ مع مجموعة بيانات CICIoT2023. كما حققت خوارزمية (HSPECK) من قبل NIST وقت تنفيذ أقل مقارنة بخوارزمية SPECK. ومن خلال هذه النتائج، تم حل المشكلات وتحقيق الأهداف المرجوة.