دانلود ترجمه مقاله سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق کارآمد در اینترنت اشیا

1. مقدمه 2. کارهای مرتبط 3. مراحل مدل یادگیری عمیق فیلتر شده برای تشخیص نفوذ 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – شبکه ‌های حسگر توزیع‌ شده نقشی حیاتی در دنیای برنامه ‌های رایانشی امروزی، از ابر گرفته تا اینترنت اشیا (IoT) دارند. این برنامه های رایانشی معمولاً به میکروکنترلرهایی مانند حسگرها، محرک ها و اتصال شبکه آدریانو متصل می شوند. بنابراین، دفاع شبکه با سیستم تشخیص نفوذ، نیازهای شبکه های مدرن را برآورده می کند. سیستم تشخیص نفوذ علیرغم چندین دهه توسعه اجتناب ناپذیر، هنوز یک حوزه تحقیقاتی دشوار به شمار می آید، زیرا سیستم تشخیص نفوذ موجود با استفاده از فناوری مبتنی بر تشخیص ناهنجاری کار می کند. بنابراین سیستم‌ های تشخیص نفوذ موجود برای بهبود در تشخیص نفوذ با چالش‌ هایی مواجه هستند و مدیریت منابع داده ناهمگن برای شناسایی حملات صفر در شبکه ‌های IoT امری دشوار محسوب می شود. این مقاله مدل یادگیری عمیق فیلتر شده را برای تشخیص نفوذ با رویکرد ارتباطات داده ارائه می ‌کند. مدل پیشنهادی، از پنج مرحله تشکیل شده است: راه اندازی شبکه های حسگر، تشکیل خوشه علاوه بر انتخاب سر خوشه، اتصال، تشخیص حمله و کارگزار داده. یک مدل پیشنهادی در تشخیص نفوذ، پیاده سازی شبکه عصبی یادگیری پیشرفته و شبکه عصبی مصنوعی می باشد. نتایج تجربی، نتایجی بهتر با دقت 96.12% نسبت به الگوریتم غالب را نشان دادند. مقدمه: در سال‌ های اخیر، محاسبات ابری (CC) در حوزه ‌های آموزشی با کسب ‌و کارها محبوبیت بیشتری پیدا کرده اند [1]، علاوه بر این، نقش آن برای ذخیره‌ سازی و بازیابی داده‌ ها در محیط ابری نیز پذیرفته شده است [2]. قرارداد ذخیره‌ سازی ابری به عنوان مبنایی برای افزایش تعداد داده‌ ها در سرورهای ابری (CS)، برای ذخیره داده‌ ها در چندین مکان غیرقابل دسترس، که تحت کنترل کسب ‌و کار «برتر» و اجرای راه‌ حل‌ های مالک آنها قرار دارد، به ‌عنوان مثال، گوگل دراپ (Google Drive)، دراپ باکس (Dropbox)، سرویس ذخیره سازی ابری ساده (Amazon Simple Cloud) (S3) [3] اجرا می ‌شود و داده ها به صورت توزیعی جمع آوری می شوند. اگرچه در دهه ‌های گذشته پیشرفت ‌های جالب متعددی برای جمع ‌آوری داده‌ ها ایجاد شده است، اما همچنان به عنوان یک مرکز تحقیقاتی باقی مانده که دراوج فعالیت با چندین چالش مهم همراه است. در واقع کاهش مداوم اندازه حسگر در راستای هزینه و تنوع حسگرهای موجود در بازار با پیشرفت باورنکردنی در فناوری ارتباطات گره حسگر به طور بالقوه ای اثر اینترنت اشیا را گسترش داده است [4].

Distributed Sensor Networks play a vital role in the day-to-day world of computing applications, from the cloud to the Internet of Things (IoT). These computing applications devices are normally attached with the microcontrollers like Sensors, actuators, and Adriano network connectivity. Defensive network with an Intrusion Detection System thus serves as the need of modern networks. Despite decades of inevitable development, the Intrusion Detection System is still a challenging research area as the existing Intrusion Detection System operates using signature-based techniques rather than anomaly detection. The existing Intrusion Detection System are thus facing challenges for improvement in Intrusion Detection, Handling heterogeneous data sources is hard for discovering zero-day attacks in IoT networks. This paper presents Filtered Deep Learning Model for Intrusion Detection with a Data Communication approach. The proposed model is composed of five phases: Initialization of Sensor Networks, Cluster Formation in addition to Cluster Head Selection, Connectivity, Attack Detection, and Data Broker. The proposed Model for Intrusion Detection was found to outperform the existing Deep Learning Neural Network and Artificial Neural Network. Experimental results showed a better result of 96.12% accuracy than the dominant algorithms. Introduction: In current years, cloud computing (CC) is getting increasingly well-liked in educational along with commercial places [1], in addition, its function is also largely accepted for data storage along with retrieval on the cloud environment [2]. For the basis of increasing the number of data on the Cloud servers(CS), the cloud storage consent to store data in numerous inaccessible sites typically hold by "top" business and running their owner solutions, e.g., Google Drive, Dropbox, Amazon Simple Cloud Storages Service (S3) [3] that means the data is amassed distributive. Even if numerous attractive advances to data gathering were developed in the past decade, it still stays as a research focus in full sway with several significant challenges. Certainly, the incessant decrease in sensor size along with cost, the diversity of sensors present on the marketplace together with the incredible progress on Sensor Node communication technologies have expanded potentially the effect of IoT [4].

ترجمه این مقاله در 36 صفحه آماده شده و در ادامه نیز صفحه 33 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.