| تشخیص بدافزار مبتنی بر یادگیری ماشینی در اینترنت اشیا (IoT) |
| کد مقاله : 1128-CYSP2025 (R1) |
| نویسندگان |
|
عرفان صابری *1، سارا سعادت2 1دانشکده مهندسی دانشکدگان فارابی دانشگاه تهران 2مشاور امنیت و مدرس دروس امنیت شبکه و رایانش امن دانشگاه تهران |
| چکیده مقاله |
| رشد سریع اینترنت اشیا ضمن ایجاد فرصت‌های بی‌شمار، سطح حمله گسترده‌ای را برای تهدیدات سایبری فراهم کرده است. بدافزارهای مدرن، به ویژه انواع چندریخت و دگردیس به راحتی از روش‌های سنتی تشخیص عبور می‌کنند و امنیت میلیاردها دستگاه متصل را به خطر می‌اندازند. در پاسخ به این خطرات، محققان به سوی راهکارهای هوشمندتر و مبتنی بر یادگیری ماشینی حرکت کرده‌اند. این مقاله با تحلیل مراجع سال‌های ۲۰۲۱ تا ۲۰۲۵، چشم‌انداز اخیر این حوزه را بررسی می‌کند. کاربرد شبکه‌های عصبی کانولوشنی (CNN) و حافظه طولانی کوتاه‌مدت (LSTM)، ترنسفورمرهای دیداری (ViT) و شبکه‌های عصبی گراف (GNN) در این مقاله مورد بررسی قرار می‌گیرد. همچنین، چالش‌های عملیاتی مانند نیاز به مدل‌های سبک برای دستگاه‌های لبه‌ای (Edge Devices) و مقیاس‌پذیری برای پردازش بی‌درنگ مورد بحث قرار می‌گیرد. در نهایت با شناسایی شکاف‌های تحقیقاتی از جمله نیاز به دفاع در برابر حملات تخاصمی و افزایش توضیح‌پذیری مدل ، مسیرهای تحقیقاتی آینده برای ساختن اکوسیستم‌های امن‌تر ترسیم می‌شود. |
| کلیدواژه ها |
| اینترنت اشیا (IoT)، تشخیص بدافزار، یادگیری ماشینی، یادگیری عمیق، امنیت سایبری، شبکه‌های عصبی کانولوشنی، حملات تخاصمی. |
| وضعیت: پذیرفته شده برای ارائه شفاهی |