دانلود ترجمه مقاله چارچوب تشخیص حملات توزیع شده از طریق یادگیری عمیق برای IoT

1. مقدمه 2. کارهای مرتبط 3. امنیت سایبری در IoT اجتماعی 4. مروری کلی بر یادگیری عمیق 5. رویکرد ما 6. ارزیابی 7. محیط آزمایشی 8. نتایج و بحث و بررسی 9. نتیجه گیری و کارهای آتی

مقالات مرتبط: اگرچه کارهای پژوهشی انجام شده در مورد کاربرد یادگیری عمیق در حال حاضر در حوزه هایی مانند تشخیص الگو، پردازش تصویر و پردازش متن، شکوفا شده اند اما پژوهش های امیدوار کننده اندکی در مورد امنیت سایبری با استفاده از روش یادگیری عمیق، انجام شده است. یکی از کاربردهای یادگیری عمیق در امنیت سایبری، مقاله [9] در مورد مجموعه داده های NSL-KDD می باشد. این مقاله از طرح یادگیری عمیق خود تفکری استفاده کرده است که در آن یادگیری ویژگی غیرنظارتی، بر داده های آموزشی با استفاده از انکدر خود پراکنده، بکار گرفته شده است. ویژگی های یادگرفته شده برای مجموعه داده های تستی برچسب گذاری شده جهت دسته بندی به حمله و نرمال، بکار گرفته می شود. نویسندگان از روش اعتبار یابی متقابل n برابر برای ارزیابی عملکرد استفاده کرده اند و نتایج بدست آمده، معقول بنظر می رسند. این مقاله، مانند مقاله ما می باشد از این نظر که از یادگیری ویژگی استفاده کرده است اگرچه سیستم متمرکز را مدنظر قرار داده است، درحالی که مقاله ما، سیستم آشکار سازی توزیع شده و موازی استفاده شده برای رایانش «مه به اشیاء» می باشد. کار پژوهشی مرتبط دیگر، کاربرد خود انکدر برای آشکار سازی ناهنجاری در [17] است که در آن پروفایل شبکه نرمال، بوسیله خودانکدرها از طریق کاهش ویژگی غیرخطی یاد گرفته می شود. در مطالعه آنها، نویسندگان نشان دادند که رکوردهای نرمال در مجموعه داده تستی، خطای بازسازی اندکی دارد درحالی که خطای بازسازی بزرگی برای رکوردهای ناهنجار در همان مجموعه داده، تولید کرده است. آشکار سازی نفوذ با استفاده از یک رویکرد یادگیری عمیق نیز در امنیت وسایل نقلیه در [10] بکار گرفته شده است. این پژوهش نشن داده است که شبکه های اعتقاد عمیق (DBN) براساس پیش یادگیری غیرنظارتی می تواند دقت آشکار سازی نفوذ را بهبود بخشد. اگرچه این کار از نظر رویکرد نوین است، اما داده های مصنوعی استفاده شده و رویکرد متمرکز آن می تواند کاربردی بودن آن در شبکه های «مه ای» را محدود سازد. پژوهش دیگر در مورد این دسته موضوعی، توسط [18] انجام شده است. نویسندگان IDS را که می تواند به صورت وفقی ناهنجاری ها را با استفاده از اتوانکدر بر داده های مصنوعی آشکار سازی کند، پیشنهاد کرده اند. هر دو مقاله آشکار سازی ناهنجاری، داده های مصنوعی که بازتاب رفتارهای بدخواه و نرمال شبکه های واقعی نیستند، را مورد ملاحظه قرار داده اند. سوای از آن، آنها از یک رویکرد متمرکز استفاده کرده اند که برای کاربردهای توزیعشده مانند اینترنت اشیاء اجتماعی در شبکه های شهر هوشمند، غیرعملی است.

RELATED WORK: Though research works in the application of deep learning have currently flourished in domains like pattern recognition, image processing and text processing, there are a few promising researches works around cybersecurity using deep learning approach. One of the applications of deep learning in cybersecurity is the work of [9] on NSL-KDD dataset. This work has used selftaught deep learning scheme in which unsupervised feature learning has been employed on training data using sparse-auto encoder. The learnt features were applied to the labelled test dataset for classification into attack and normal. The authors used n-fold cross-validation technique for performance evaluation, and the obtained result seems reasonable. This research work is like ours in terms of feature learning though it considers centralized system while our approach is distributed and parallel detection system used for fog-to-things computing. The other relevant work is the application of autoencoders for anomaly detection in [17], in which normal network profile has been learned by autoencoders through nonlinear feature reduction. In their study, the authors demonstrated that normal records in the test dataset have small reconstruction error while it produced a large reconstruction error for anomalous records in the same dataset. Intrusion detection using a deep learning approach has also been applied in vehicular security in [10]. The research has demonstrated that deep belief networks (DBN) based unsupervised pretraining could enhance the intrusion detection accuracy. Although the work is novel in its approach, the artificial data used, and its centralized approach might limit its practicality in fog networks. Another research of this category has been conducted by [18]. The authors have proposed IDS which adaptively detect anomalies using AutoEncoders on artificial data. Both anomaly detection papers considered artificial data cases which do not reflect the malicious and normal behaviors of real time networks. Apart from that, they adopted a centralized approach which is impractical for distributed applications such as social internet of things in smart city networks.