دانلود ترجمه مقاله روش های یادگیری عمیق و یادگیری ماشین برای امنیت اینترنت اشیا

1. مقدمه 2. طبقه بندی ML/DL برای امنیت IoT 3. مروری کلی بر سیستم IoT 4. تهدیدات امنیتی IoT 5. مروری بر کاربردهای یادگیری عمیق و یادگیری ماشین در امنیت IoT 6. لایه های امنیتی IoT بر اساس روش های ML و DL 7. مسائل، چالش ها و جهت گیری های آتی 8. نتیجه گیری

اینترنت اشیا (IoT) میلیاردها دستگاه هوشمند را در خود ادغام می کند و می توانند با حداقل دخالت انسان، با یکدیگر در ارتباط باشند. اینترنت اشیا یکی از زمینه هایی می باشد که در تاریخ محاسبات بسیار سریع در حال توسعه است و برآورده شده تا پایان سال 2020 به حدود 50 میلیارد دستگاه برسد. با این حال، ماهیت چندگانه سیستم های اینترنت اشیا و مولفه های چندرشته ای موجود در استفاده از چنین سیستم هایی، چالش های امنیتی جدیدی را مطرح کرده است. پیاده سازی اقدامات امنیتی از قبیل رمزنگاری، احراز هویت، کنترل دسترسی، امنیت شبکه و برنامه های امنیتی در دستگاه های اینترنت اشیا و آسیب پذیری های ذاتی آنها بی تأثیر است. بنابراین، روش های امنیتی موجود باید برای ایمن سازی اکوسیستم اینترنت اشیا تقویت شوند. الگوریتم یادگیری ماشین و یادگیری عمیق (ML/DL) طی چند سال گذشته بطور قابل توجهی پیشرفت کرده است و هوش ماشینی چندین کاربرد مهم و نوظهور آزمایشگاهی را به ماشین آلات عملی منتقل کرده است. در نتیجه، روش های ML/DL در تبدیل امنیت سیستم های اینترنت اشیا، آن هم صرفاً بواسطه تسهیل ارتباط امن بین دستگاه ها در سیستم های اطلاعاتی مبتنی بر امنیت، دارای اهمیت می باشند. هدف این مطالعه، ارائه یک بررسی جامع بر روی روش های ML و پیشرفت های اخیر در روش های DL می باشد که می توان از آن برای توسعه روش های امنیتی پیشرفته در سیستم های اینترنت اشیا استفاده نمود. تهدیدات امنیتی ذاتی یا تهدیدهای اخیراً مطرح شده در اینترنت اشیا را ارائه می دهد و به بحث در مورد سطوح مختلف و بالقوه حمله سیستم اینترنت اشیا و تهدیدات احتمالی مربوط به هر سطح می پردازد. سپس روش های ML/DL برای امنیت اینترنت اشیا را به طور کامل بررسی می نماییم و فرصت ها، مزایا و کاستی های هر روش را ارائه می دهیم. در مورد فرصت ها و چالش های مربوط به استفاده از ML/DL برای امنیت اینترنت اشیا بحث می کنیم. این فرصت ها و چالش ها می تواند به عنوان رهنمودهایی بالقوه برای تحقیق در آینده بکار روند.

The Internet of Things (IoT) integrates billions of smart devices that can communicate with one another with minimal human intervention. IoT is one of the fastest developing fields in the history of computing, with an estimated 50 billion devices by the end of 2020. However, the crosscutting nature of IoT systems and the multidisciplinary components involved in the deployment of such systems have introduced new security challenges. Implementing security measures, such as encryption, authentication, access control, network and application security for IoT devices and their inherent vulnerabilities is ineffective. Therefore, existing security methods should be enhanced to effectively secure the IoT ecosystem. Machine learning and deep learning (ML/DL) have advanced considerably over the last few years, and machine intelligence has transitioned from laboratory novelty to practical machinery in several important applications. Consequently, ML/DL methods are important in transforming the security of IoT systems from merely facilitating secure communication between devices to security-based intelligence systems. The goal of this work is to provide a comprehensive survey of ML methods and recent advances in DL methods that can be used to develop enhanced security methods for IoT systems. IoT security threats that are related to inherent or newly introduced threats are presented, and various potential IoT system attack surfaces and the possible threats related to each surface are discussed. We then thoroughly review ML/DL methods for IoT security and present the opportunities, advantages and shortcomings of each method. We discuss the opportunities and challenges involved in applying ML/DL to IoT security. These opportunities and challenges can serve as potential future research directions.