تتناول البحث الحاجة الملحة لأنظمة كشف التسلل (IDS) الأكثر فعالية في ضوء زيادة حركة المرور الشبكية وتطور التهديدات السيبرانية. غالبًا ما تكافح أنظمة كشف التسلل المعتمدة على الشبكة التقليدية (NIDS) لاكتشاف أنماط الهجوم الجديدة بسبب الاعتماد على بيانات قديمة وتقنيات التعلم الآلي التقليدية. لمعالجة هذه القيود، يقدم البحث نهجًا جديدًا للتعلم العميق يدمج الشبكات العصبية…

تقدم البحث نموذج هجين من Attention-CNN-LSTM لاكتشاف التسلل في الشبكات، موضحًا فعاليته من خلال تحليل بيانات حركة الشبكة. يستفيد النموذج من الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات من البيانات الخام وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتحليل الأحداث الزمنية. حقق معدلات دقة عالية بلغت 97.5% على مجموعة بيانات Bot-IoT و94.8% على مجموعة بيانات NSL-KDD، إلى…

إنترنت الأشياء (IoT) يتكون من شبكة من الأجهزة المتصلة التي تستخدم المعالجات والمستشعرات والمحركات لجمع ومشاركة البيانات عبر مختلف القطاعات، بما في ذلك الزراعة والرعاية الصحية وإدارة المرور. على الرغم من تطبيقه الواسع، يواجه إنترنت الأشياء تحديات أمنية كبيرة بسبب الطبيعة المتنوعة لعقده، حيث غالبًا ما تكون التدابير الأمنية التقليدية مثل التشفير والتحكم في الوصول…

تقدم البحث نظام كشف التسلل (IDS) القائم على التعلم الفيدرالي المصمم لبيئات إنترنت الأشياء (IoT)، مع معالجة التحديات التي تطرحها أنماط الهجوم المتطورة في الأمن السيبراني. غالبًا ما تعتمد أساليب التعلم الآلي التقليدية على مجموعات بيانات ومعلمات محددة، مما يمكن أن يعيق قدرتها على اكتشاف التسللات الجديدة بشكل فعال. من خلال استخدام التعلم الفيدرالي، يقوم…