دانلود ترجمه مقاله راهکار مبتنی بر یادگیری عمیق برای تشخیص نفوذ شبکه حسگر بیسیم

1. مقدمه 2. کارهای مرتبط 3. روش تحقیق پیشنهادی 4. عملکرد بهینه برای حل مشکلات با بهینه سازی 5. نتایج و تجزیه و تحلیل 6. نتیجه گیری و چشم انداز آینده

چکیده – این مقاله، یک روش شناسایی نفوذ منحصربفرد را معرفی می کند که چارچوب های توسعه ای و عملیاتی را با هم تلفیق می کند و مخصوصاً بر شبکه حسگر بیسیم، تمرکز می کند. با افزایش تعداد نفوذها، حفاظت از گره های حسگر، بیش از پیش حیاتی شده است. علاوه بر نقض امنیتی، دسترسی غیرمجاز به سیستم ها توسط مهاجمان و متخاصم ها، باعث بوجود آمدن ریسک برای دارایی های حیاتی و اساسی شده اند. بنابراین، شناسایی و جلوگیری از تهدیدات بالقوه در محیط بی سیم از بالاترین اهمیت برخوردار می باشند. روش آشکارسازی پیشنهادی شامل دو مرحله می باشد: استخراج ویژگی و دسته بندی ویژگی. این مطالعه بر لزوم بکارگیری یک روش آشکارسازی نفوذ متمایز و روش های استخراج و دسته بندی ویژگی استوار تاکید می کند. بکارگیری یک مدل یادگیری عمیق برای بهبود دقت و صحت آشکارسازی حمله، امری حیاتی است. علاوه بر آن، بهینه سازی اندازه فیلتر و تعداد فیلتر معماری CNN بسیار مهم است. روش شناسایی نفوذ مبتنی بر DevOps پیشنهادی شامل استخراج و دسته بندی ویژگی می باشد. در طی مرحله استخراج ویژگی، آماره ها و توصیفگرهای مرتبه بالاتر با مشخصه های موجود در پردازش اولیه داده های برنامه کاربردی، ترکیب می شوند. سپس، ویژگی های استخراج شده بوسیله روش دسته بندی همراه با یک روش DCNN بهینه شده، بکار گرفته می شوند. این روش، مقدار و اندازه فیلترها در بردار ورودی و لایه های کاملاً متصل شده را بهینه سازی می کند. از نظر دقت و همچنین FNR، حساسیت، MCC، ویژگی (specificity)، FDR، FPR، و NPV، نمره F در مقایسه با GAF-GYT و دیگر حمله ها، روش پیشنهادی عملکرد بهتری نسبت به مدل های متداول دارد. مخصوصاً اینکه، در Application 3، روش پیشنهادی عملکرد بهتری نسبت به DCNN، الگوریتم تیرانداز نوآورانه و روش های FAE-GWO-DBN به ترتیب به میزان 60.14%، 3.10% و 5.46% دارد. علاوه بر آن، برای Application 4، مدل توصیه شده، نرخ FPR بسیار کمتر (91.46%، 67.15% و 98.4%) در مقایسه با به ترتیب روش های FAE-GWO-DBN، AIG و DCNN، دارد. علاوه بر آن، روش توصیه شده عملکرد بهتری نسبت به DCNN، الگوریتم تیرانداز نواورانه و FAE-GWO-DBN به ترتیب به میزان 69.76%، 3.27% و 22.68% دارد.

This paper introduces a unique intrusion detection method that integrates developmental and operational frameworks, focusing specifically on the wireless sensor network. With the growing number of intrusions, safeguarding sensor nodes has become increasingly crucial. In addition to security breaches, unauthorized access to systems by fraudsters or intruders poses a risk to critical assets. Therefore, detecting and blocking potential threats in the wireless environment is of utmost importance. The proposed detection approach consists of two steps: feature extraction and classification. The study emphasizes the necessity of a distinct intrusion detection method and robust feature extraction and classification techniques. Incorporating a deep learning model is vital for enhancing the precision and accuracy of attack detection. Additionally, it is crucial for efficiency to optimize the CNN architecture’s filter size and filter count. The proposed DevOps-based intrusion detection technique involves feature extraction and classification. During the feature extraction stage, statistics and higher-order descriptors are combined with existing characteristics in the early processing of application data. The extracted features are then utilized by the classification method in conjunction with an improved DCNN approach. The technique optimizes the quantity and size of filters in the input vector and fully connected layers. In terms of accuracy as well as FNR, sensitivity, MCC, specificity, FDR, FPR, and NPV, F -score against GAF-GYT and other attacks, the suggested technique outperforms conventional models. Specifically, in Application 3, the technique surpasses the DCNN, Innovative Gunner Algorithm, and FAE-GWO-DBN methods by 60.14%, 3.10%, and 5.46%, respectively. Furthermore, for Application 4, the suggested model demonstrates significantly lower FPR rates (91.46%, 67.15%, and 98.4%) compared to the FAE-GWO-DBN, AIG, and DCNN methods. Additionally, the suggested approach outperforms the DCNN, Innovative Gunner Algorithm, and FAE-GWO-DBN approaches by 69.76%, 3.27%, and 22.68%, respectively.