Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Deep Learning For Cyber Security in the Internet of Things (IoT) Network
Rok: 2023
Druh publikace: článek ve sborníku
Název zdroje: IDIMT-2023 : New Challenges for ICT and Management : 31st Interdisciplinary Information Management
Název nakladatele: Trauner Verlag
Místo vydání: Linz
Strana od-do: 391-398
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Hluboké učení pro kybernetickou bezpečnost v síti internetu věcí (IoT) Internet věcí (IoT) je rychle se vyvíjející paradigma, které má potenciál transformovat fyzické interakce mezi jednotlivci a organizacemi. IoT má uplatnění v mnoha oblastech jako je zdravotnictví, vzdělávání, správa zdrojů a zpracování informací, abychom jmenovali alespoň některé. Mnoho organizací velmi spoléhá na technologii a většina z nich mění svůj proces na inteligentní nebo chytrá řešení. Kromě toho jsou tyto sítě bezdrátové, samy se konfigurují, nepotřebují již existující infrastrukturu a mají velký nepředvídatelný pohyb uzlů; bezpečnost se stává jedním z nejdůležitější obavy, které je třeba řešit. V tomto článku jsme navrhli prevenci narušení metoda, která používá federovaný rámec založený na hlubokém učení. Bude použita skutečná datová sada o provozu IoT k trénování nejmodernějšího algoritmu grafové neuronové sítě. Bude provedeno srovnání na základě různých experimentálních výsledků. A konečně tato práce přispívá k bezpečnosti internetu věcí sítí prostřednictvím implementace účinných nástrojů/technik pro včasné IoT útoky klasifikace a zmírnění IoT; kybernetická bezpečnost; hluboké učení; detekce narušení; federované učení
eng Deep Learning For Cyber Security in the Internet of Things (IoT) Network The Internet of Things (IoT) is a swiftly evolving paradigm having the potential to transform the physical interaction between individuals and organizations. IoT has applications in multiple fields such as healthcare, education, resource management, and information processing to name a few. Many organizations rely greatly on technology, and most are changing their process into intelligent or smart solutions. Moreover, these networks are wireless, self-configuring, do not need preexisting infrastructure, and have a large unpredictable node movement; security becomes one of the most crucial concerns that need to be addressed. In this paper, we proposed an intrusion prevention method that uses a federated deep learning-based framework. A real IoT traffic dataset will be used to train the state-of-the-art graph neural network algorithm. A comparison will be carried out based on different experimental results. Finally, this work contributes to the security of IoT networks through the implementation of effective tools/techniques for timely IoT attack classification and mitigation. IoT;Cyber Security, Deep Learning; Intrusion Detection; Federated Learning