تشخیص بدافزارها در سیستم های اینترنت اشیا با استفاده از یادگیری ماشین

با گسترش اینترنت و افزایش استفاده از دستگاه هایی که محپز به اینترنت هستند و با کمک حسگرها با هم در ارتباط هستند. مانند اینترنت اشیاء مشکلات و چالش های بسیاری برای کاربران انها به وجود می اید که یکی از این چالش ها مسائل امبیئی است. تا سال ۲۰۲۰، ۲۵ در صد از تمام حملات سایبری د ستگاه های اینترنت اشیا را هدف قرار داد. با پذیرش سریع فناوری های اینترنت اشیا در صنعت. افزایش بی پایانی در این حملات وجود خواهد داشت. یکی از خطرناک ترین تهدیدات دستگاه های اینترنت اشیا در میان آنها بدافزار است. بنابراین، بهبود جنبه های امنیتی د ستگاه های اینترنت اشیا برای محققان, به ویژه زمانی که با بدافزار اینترنت اشیا سروکار دارند. بیش از پیش ضروری می شود. رویکردهای شناسایی بدافزار اینترنت آشیا را می توان بر اساس نوع استراتژی به دو حوزه اصلی طبقه بندی کرد: تحزیه و تحلیل پویا و استاتیک. یکی از مزایای عمده تحلیل استاتیک. توانایی مشاهده ساختار بدافزار است. به عبارت دیگر، ما می توانیم بدون در نظر گرفتن تنوع معماری پردازنده. تمام مسیرهای اجرایی ممکن را در نمونه بدافزار کاوش کنیم. بنابراین این رویکرد را برای حل مسائل ناهمگن دستگاه های اینترنت اشیا استفاده می کنیم. بنابراین، اگرچه مطالعات زیادی در مورد مسائل آمنیتی برای بررسی های اینترنت اشیاء به ویژه شناسایی بدافزار اینترنت اشیا وجود دارده اما هیچ تحقیقی بر روی روش های تشخیص بدافزار اینترنت اشیا مبتنی بر تجزیه و تحلیل استاتیک متمرکز نشده است. در این تحقیق قصد داریم با کمک تکنیک های یادگیری ما شین به شناسایی این بدافزارها بپردازیم. به همین منظور از یک روش ترکیبی CNN-LSTM استفاده خواهیم کرد. برای بهبود تقسیم بندی داده های آموزش و آزمایش از k-fold cross validation استفاده شده است تا الگوریتم CNN مدل یادگیری را بتواند بهتر ایحاد کند و دسته بند LSTM بتواند دسته بندی با دقت بالا تری داشته باشد. با توجه به ارزیابی های انجام شده به این نتیجه رسیدیم که روش پیشنهادی قادر به تشخیص نفوذ شبکه با دقت ۹۵/۵ درصد می باشد.