الرئيسية / كشف السلوك غير الطبيعي في إنترنت الأشياء باستخدام التعلُّم العميق

كشف السلوك غير الطبيعي في إنترنت الأشياء باستخدام التعلُّم العميق

اسم الباحث:حمزة غنم

المشرف : د. زينب خلّوف

العنوان :كشف السلوك غير الطبيعي في إنترنت الأشياء باستخدام التعلُّم العميق

العنوان باللغة الانكليزية :Abnormal Behavior Detection in Internet of Things Using Deep Learning

العام :2021

القسم :هندسة النظم والشبكات الحاسوبية

الملخص :

تعتبر شبكات إنترنت الأشياء من أسرع الشبكات نموًا اليوم والتي ستزداد انتشاراً وتأثيراً في حياتنا اليومية من خلال اتصال مليارات الأشياء الذكية المعروفة باسم “الأشياء” لجمع أنواع مختلفة من البيانات عن أنفسها و/أو البيئة المحيطة لتقديم خدمات عدة في قطاعات شتى: طبية، بيئية أو عسكرية. لذا فإن حماية هذه الأجهزة من المهاجمين والمخربين والوصول والتعديل غير المصرح به أمر مهم للغاية.

تتخذ شبكات التعلم العميق نهجًا مختلفًا عن تقنيات التعلّم الآلي لحل مشكلات الكشف عن الشذوذ. الميزة الرئيسية لشبكات التعلم العميقة هي أنها لا تحتاج بالضرورة إلى بيانات منظمة/مصنّفة لتصنيف هذه البيانات فيما إذا كانت سليمة أم لا. تستخدم شبكات التعلم العميق طبقات مختلفة من الشبكة، حيث تحدد كل طبقة ميزات هرمية محددة لمجموعة البيانات.

يقترح هذا البحث دراسة وتقييم استخدام التعلم العميق لاكتشاف السلوك الشاذ غير الطبيعي في أنظمة إنترنت الأشياء. إذ تم تقييم طريقتين من طرق التعلم العميق، أولها الشبكات العصبونية ذات الذاكرة الطويلة قصيرة المدى (LSTM RNN) والأخرى المرمّزات التلقائية ذات الذاكرة الطويلة قصيرة المدى (LSTM Autoencoders) عبر نموذجٍ قادرٍ على الكشف عن السلوك المريب استنادًا لمجموعة بيانات حساسات IoT بكفاءةٍ عالية. بيّنت نتائج التقييم، على مستوى المقاييس المختلفة، أن كلا النموذجين يتمتّع بقدرة عالية جدًا على الكشف عن القيم الشاذة ضمن مجموعات بيانات IoT وبيئات الزمن الحقيقي فيها أيضًا. كما توصلنا إلى أن نموذج LSTM Autoencoder قادر على التدرّب بشكل أسرع من نظيره، وأن نموذج LSTM RNN يتقدم عليه ولو بفوارق بسيطة في نسبة الحالات غير الطبيعية المُكتشفة.

كلمات مفتاحية: إنترنت الأشياء، كشف السلوك الغير طبيعي، التعلّم العميق، التعلّم الآلي، الشبكات العصبونية ذات الذاكرة الطويلة قصيرة المدى، المرمزات التلقائيّة.

تحميل البحث