دانلود ترجمه مقاله تشخیص تهدیدات امنیت سایبری در اینترنت اشیا با یادگیری عمیق

1. مقدمه 2. مروری بر مقالات 3. روش تحقیق پیشنهادی 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – سیستم های ارتباطاتی IoT (اینترنت اشیا)، سیستم ها، کاربردها، ذخیره سازی داده و خدمات را به هم متصل می کند و می تواند درگاهی جدید، برای حملات سایبری باشد زیرا به دلیل اینکه به طور مداوم، در سازمان ها، خدماتی را ارائه می دهند. در حال حاضر، محرمانگی نرم افزار و حملات بدافزار، ریسک بالایی برای از بین بردن امنیت IoT دارند. این تهدیدات می تواند اطلاعات مهمی را به سرقت ببرد که باعث آسیب به شهرت و جنبه های اقتصادی می شود. این مقاله، یک رویکرد یادگیری عمیق ترکیبی، برای شناسایی نرم افزارهای دزدی و فایل های آلوده به بدافزار، در شبکه IoT را پیشنهاد می کند. شبکه عصبی عمیق تنسورفلو، برای شناسایی نرم افزارهای دزدی، با استفاده از سرقت علمی کد منبع پیشنهاد می شود. ویژگی های وزنی و توکن سازی، برای فیلتر کردن داده های پر نویز و علاوه بر آن، تاکید بر اهمیت هر توکن، از لحاظ سرقت ادبی کد منبع مورد استفاده قرار می گیرد. سپس رویکرد یادگیری عمیق، برای شناسایی سرقت علمی کد منبع استفاده می شود. مجموعه داده از کد جَم گوگل (GCJ) جمع آوری شده است تا بتوان سرقت نرم افزار را بررسی کرد. جدای از این موضوع، شبکه عصبی هم-گشتی عمیق، برای شناسایی آلودگی های خصمانه در شبکه IoT، از طریق مصورسازی تصاویر رنگی مورد استفاده قرار می گیرد. نمونه های بد افزار، از مجموعه داده های Mailing، برای آزمایش به دست آمده است. نتایج آزمایشی نشان می دهد عملکرد طبقه بندی راه حل پیشنهادی، برای برآورد کردن تهدیدات امنیت سایبری، در IoT، به نسبت مدرن ترین روش ها، بهتر است. مقدمه: اینترنت اشیا، اتصال متقابل اجسام فیزیکی متحرک از طریق اینترنت تعبیه شده با یک تراشه الکترونیکی، حسگرها و دیگر اشکال سخت افزاری، می باشد. هر دستگاه به طور منحصر به فرد و در سطح جهانی توسط برچسب های شناسایی فرکانس رادیویی (RFID)، شناسایی می شود. این اشیای هوشمند با سایر گره های متصل، ارتباط برقرار می کنند و می توانند از راه دور، نظارت و کنترل شوند [1]. اینترنت اشیا، اتصال فراگیری را به طیف وسیعی از اشیای فیزیکی هوشمند، صنایع خدماتی، خدمات رایانش ابری و کاربردهای دیگر، میسر می کند. IBM اظهار داشته که انتظار می رود تا دستگاه های متصل از طریق اینترنت، تا سال 2020 به 50 میلیارد افزایش یابند [2]. این موضوع، تعداد شبکه های ارتباطی با اتصال اشای هوشمند و نیز مقدار کلان داده هایی که می توانند با استفاده از زیرساخت ابری به اشتراک گذاشته شوند را افزایش می دهد. فناوری های مجهز به IoT می توانند برای توسعه شهرهای هوشمند، سیستم آموزشی، خرید الکترونیکی، حفظ سلامت، مدیریت صنعت، و سرگرمی و محافظت از انسان ها، مورد استفاده قرار گیرند [3]. ادوات IoT را می توان به دلیل همیشه در دسترس بودن در شبکه، برای یک حمله باز مورد استفاده قرار داد. ابر – اینترنت اشیای صنعتی را می توان به راحتی توسط بدافزارها و نرم افزارهای سرقت شده برای استفاده مضر و به خطر انداختن امنیت، هدف قرار داد [4،5]. دزدی نرم افزار، عبارت است از توسعه غیرقانونی نرم افزار با استفاده مجدد از کدهای منبعی که کار دیگران است و در این زمینه، نسخه اصلی نیز پنهان می شود. این موضوع، می تواند منطق نرم افزار اصلی را با روش های مهندسی معکوس، کپی کرده و سپس همان منطق را به نوعی دیگر از کدهای منبع، طرح کند. این یک تهدید جدی برای امنیت اینترنت است که امکان دسترسی به دانلود نامحدود نرم افزارهای غیرقانونی، کدهای منبع باز و ترویج و تبلیغ غیرقانونی را فراهم می کند. این موضوع، هر ساله افزایش می یابد و زیان های اقتصادی قابل توجهی را به صنعت نرم افزاری وارد می کند [7].

The IoT (Internet of Things) connect systems, applications, data storage, and services that may be a new gateway for cyber-attacks as they continuously offer services in the organization. Currently, software piracy and malware attacks are high risks to compromise the security of IoT. These threats may steal important information that causes economic and reputational damages. In this paper, we have proposed a combined deep learning approach to detect the pirated software and malware-infected files across the IoT network. The TensorFlow deep neural network is proposed to identify pirated software using source code plagiarism. The tokenization and weighting feature methods are used to filter the noisy data and further, to zoom the importance of each token in terms of source code plagiarism. Then, the deep learning approach is used to detect source code plagiarism. The dataset is collected from Google Code Jam (GCJ) to investigate software piracy. Apart from this, the deep convolutional neural network is used to detect malicious infections in IoT network through color image visualization. The malware samples are obtained from Maling dataset for experimentation. The experimental results indicate that the classification performance of the proposed solution to measure the cybersecurity threats in IoT are better than the state of the art methods. Introduction: IoT is the interconnection of physical moving objects “Things” through internet embedded with an electronic chip, sensors, and other forms of hardware. Each device is uniquely identified globally by Radio Frequency Identifier (RFID) tags. These smart objects communicate with Other connected nodes and can be monitored and controlled remotely [1]. IoT offers pervasive connectivity to a broad range of intelligent physical objects, service industries, cloud computing services, and applications. IBM stated that the number of connected devices through the internet is expected to increase up to 50 billion by 2020 [2]. It will increase the number of communication networks with the connection of smart objects as well as the amount of big data that may be shared using cloud infrastructure. The IoT enabled technologies can be used to develop smart cities, education system, e-shopping, e-banking, maintain our health, manage industry, and to entertain and protect human beings [3]. The IoT devices can be used for an open attack due to always available on the network. The industrial IoT-cloud can be easily targeted by malware infection and pirated software for harmful usage and to compromise security [4], [5]. The software piracy is the development of software by reusing source codes illegally from someone else’s work and disguise as the original version. The cracker may copy the logic of the original software by reverse engineering procedures and then design the same logic in another type of source codes [6]. It is a severe threat to internet security, which gives access to unlimited downloads of pirated software, open-source codes and, promotes and advertises of pirated versions. It rapidly increases each year and gives substantial economic loss to the software industry [7].