"تحسين كفاءة شبكة إنترنت الأشياء واكتشاف الشذوذ باستخدام الشبكات العصبية العميقة"

الملخص

إن إنترنت الأشياء ينمو بسرعة ويقدم فرصاً هائلة ــ ولكن أيضاً بعض الصعوبات الكبيرة ــ التي تتعلق في الغالب بإدارة وتأمين حركة المرور على الشبكة. ومع وجود مليارات الأجهزة المترابطة، التي تنتج كميات هائلة من البيانات كل ثانية، فإن إنترنت الأشياء يتطلب نوعاً جديداً من البنية الأساسية للشبكة، وهي البنية القادرة على أن تكون موثوقة وآمنة من التهديدات الخارجية. وفي الوقت الحاضر، يقع قدر كبير من العبء عن هذين الشرطين المزدوجين لأداء الشبكة وأمنها على إنترنت الأشياء نفسه. ومع ذلك، اتخذ الباحثون في كلية جرادي للصحافة والاتصال الجماهيري في جامعة جورجيا خطوة نحو شيء أقرب إلى المثالية من خلال توصيل شبكة عصبية شاملة متعددة الطبقات وتغذية أجزائها المختلفة بتيار من الظروف النموذجية للشبكة أثناء تشغيلها العادي. وتسبق طبقة الإدخال المقابلة لخصائص حركة المرور على شبكة إنترنت الأشياء عدة طبقات مخفية في البنية. وقد صُممت هذه الطبقات المخفية لتمييز الأنماط المعقدة والمتشابكة داخل بيانات حركة المرور على الشبكة. ومن أجل التخفيف من الإفراط في التجهيز الذي قد يحدث إذا كان النموذج مطابقاً تماماً لبيانات التدريب، تم دمج تقنية التسرب كجزء من البنية. تستخدم طبقة الإخراج دالة تنشيط سوفت ماكس لإنتاج نتيجة تمييز متعددة الفئات تشير إلى ما إذا كانت حركة المرور على الشبكة التي يتم تحليلها طبيعية أم غير طبيعية. بشكل عام، فإن بنية النموذج هي بحيث يمكن الاستفادة من تقنيات التعلم الآلي المتقدمة من أجل تحديد أي شذوذ في حركة مرور إنترنت الأشياء والاستجابة له، وبالتالي تحسين أداء الشبكة المعنية. نقوم بمعالجة مسبقة دقيقة للبيانات، وتصميم بنية نموذجية هادفة، وتقييم شامل ومتعدد الطبقات يستخدم مقاييس أداء مختلفة. بالمقارنة مع بعض الخوارزميات الأكثر استخدامًا للكشف عن الشذوذ، يوضح نهجنا بوضوح دقة فائقة وتدفق بيانات أكثر كفاءة في شبكة إنترنت الأشياء. بالإضافة إلى ذلك، نوضح بالتفصيل كيف يمكن استخدام نموذجنا في الوقت الفعلي للتطبيق ومدى قدرته على العمل في البيئات الكبيرة والحركة المرورية العالية والديناميكية التي تميز شبكة إنترنت الأشياء الحديثة.