انجمن کامپیوتر ایران

با افزایش نفوذ نرم‌افزارهای مخرب به دستگاه‌های هوشمند، تشخیص بدافزار به یکی از چالش‌های مهم در حوزه امنیت اینترنت اشیا تبدیل شده است. تا کنون روش‌های متعددی در این زمینه ارائه شده که در این میان، روش‌های مبتنی بر الگوریتم‌های یادگیری عمیق بدلیل توانایی استخراج خودکار بازنمایی‌های پیچیده از داده‌ها، از عملکرد مناسب‌تری برخوردارند. از آنجایی که هایپرپارامترها نقش مهمی در موفقیت شبکه عصبی عمیق دارند، تنظیم و بهینه‌سازی آن‌ها از اهمیت ویژه‌ای برخوردار است. از این رو در این پژوهش، پیکربندی‌های مختلف از یک طبقه‌بند مبتنی بر شبکه عصبی کانولوشنی یک بعدی (1D-CNN) طراحی شده و پس از بهینه‌سازی هایپرپارامترها، از آن جهت تشخیص جریان‌های مخرب شبکه استفاده شده است. شبکه عصبی کانولوشنی یک بعدی کمک می‌کند تا طبقه‌بند سبک وزن با حداقل تعداد لایه‌ها را داشته باشیم. جهت آموزش طبقه‌بند CNN پیشنهادی، از مجموعه داده UNSW-NB15 استفاده شده است. یافته‌ها نشان می‌دهد که مدل ارائه شده در مقایسه با مدل‌های مشابه از دقت قابل قبول و بالاتری (99.97 %) برخوردار است.