آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,499 |
| تعداد مقالات | 18,291 |
| تعداد مشاهده مقاله | 59,376,184 |
| تعداد دریافت فایل اصل مقاله | 20,752,380 |
تشخیص گره های غیرعادی در امنیت اینترنت اشیاء با استفاده از شبکه های عصبی و تئوری گراف | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 16 اردیبهشت 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.69361.5088 | ||
| نویسندگان | ||
| فاطمه دوامی* 1؛ پویا درخشان برجویی2؛ نرجس شویکلو2 | ||
| 1گروه مهندسی کامپیوتر دانشگاه ازاد اسلامی واحد تهران شمال | ||
| 2گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| افزایش روزافزون دستگاههای اینترنت اشیاء و گسترش کاربردهای آن در حوزههای مختلف، چالشهای امنیتی جدیدی را بهوجود آورده است که شناسایی بهموقع ناهنجاریها و گرههای غیرعادی در شبکههای اینترنت اشیاء را به یک ضرورت تبدیل میکند. محدودیت منابع سختافزاری، تنوع پروتکلها و ساختار پیچیده ترافیک شبکه از جمله عواملی هستند که روشهای سنتی و برخی روشهای یادگیری عمیق را در تشخیص تهدیدات امنیتی ناکارآمد میسازند. در این مقاله، روشی ترکیبی مبتنی بر تئوری گراف و شبکههای عصبی مصنوعی برای شناسایی گرههای غیرنرمال ارائه شده است. شبکه اینترنت اشیاء بهصورت یک گراف جهتدار مدلسازی شده و با استخراج معیارهای مرکزیت نظیر درجه، نزدیکی، بردار ویژه، بینابینی و رتبه صفحه، ویژگیهای ساختاری گرهها به دست آمده است. سپس با برازش منحنیهای مختلف بر دادههای نرمالشده، شاخصهای جدیدی جهت بهبود صحت مدل ایجاد شد. شبکه عصبی چندلایه طراحیشده، گرهها را به سه دسته سالم، مشکوک و ناسالم طبقهبندی کرد. نتایج نشان داد که ترکیب ویژگیهای گرافی و یادگیری عمیق صحت تشخیص ناهنجاریها را با استفاده از برازش منحنیLOWESS به 99.03% رسانده است که نسبت به مدل شبکه عصبی بدون برازش منحنی (98.22%) 0.81% و مدلهای خطی و چندجملهای (98.87%) 0.16% بهبود داشته است. این روش بهعنوان یک ابزار مؤثر در ارتقای امنیت و کاهش آسیبپذیریهای شبکههای اینترنت اشیاء قابل استفاده است. | ||
| کلیدواژهها | ||
| اینترنت اشیاء؛ تئوری گراف؛ شبکه عصبی مصنوعی؛ تشخیص ناهنجاری؛ رگرسیون خطی؛ الگوریتم LOWESS | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 33 |
||