معرفی کتاب: از تلفنهای هوشمند گرفته تا شهرهای هوشمند، زیرساخت اینترنت اشیاء (IoT) به آرامی در حال تبدیل شدن به جزئی جدایی نشدنی از زندگی امروزی است. با برنامههای گسترده در بهبود آن انتظار میرود در سالهای آینده استفاده از این فناوری چندین برابر شود. با این حال ماهیت ناهمگن دستگاههای IoT و محدودی مرتبط با آن، مدیریت شبکه و امنیت را به یک کار دشوار برای مجریان آن تبدیل کرده است. در واقع رمزگذاری دادهها یا نرمافزارهای ضد ویروس نمیتوانند چالشهای پیچیده این حوزه را حل کنند. در طی یک دوره زمانی، مقالات زیادی مطرح شده بود که سعی در حل و فصل چالشهای امنیتی موجود در این حوزه را دارند. با این حال، اخیراً زیرساختهای اینترنت اشیاء مبتنی بر شبکههای نرمافزار محور (SDN-IoT) از شهرت زیادی برخوردار هستند و پژوهشگران سعی در بهبود امنیت در این حوزه را دارند زیرا چالشها و آسیبپذیریهای موجود در شبکههای سنتی دیگر وجود ندارند. با افزایش وسایل هوشمند مختلف در زندگی روزمره، اینترنت اشیاء بطور چشمگیری رشد داشته است از طرفی با افزایش ارتباط بین این دستگاهها و نیاز به مقیاسپذیری و قابلیت انعطاف در شبکه اینترنت اشیا، فناوری جدیدی به نام شبکههای نرمافزار محور برای حل چالشهای مختلف در اینترنت اشیاء پیشنهاد شده است. هر چند شبکههای نرمافزار محور بسیاری از مشکلات اینترنت اشیاء را حل کرده است اما مشکلات امنیتی موجود در این شبکهها و اینترنت اشیاء و ضعفهای امنیتی پروتکلهای جدید در اینترنت اشیا، باعث شده است که امنیت شبکههای SDN-IoT به یکی از اصلیترین نگرانیها در این زمینه تبدیل شود. از طرفی دیگر در سالهای اخیر با توجه به پیشرفت در پردازندههای قدرتمند استفاده از الگوریتمهای هوشمند بهصرفه بود و این الگوریتمها توانستهاند در موارد مختلف مانند پردازش تصویر، ویدیو، تشخیص بیماریها، هواشناسی و غیره پیشرفت چشمگیری داشته باشند. هر چند پژوهشهای انجام شده در ساخت یک سیستم تشخیص نفوذ برای محیط SDN-IoT همچنان با مشکل نرخ هشدار غلط بالا و دقت پایین مواجه هستند لذا در این کتاب، ترکیب الگوریتم نظارتی دروازه بازگشتی مکرر (GRU) و طبقه بند غیرنظارتی K-میانگین برای ارائه یک سیستم تشخیص نفوذ در محیط SDN-IoT پیشنهاد شده است. این روش با در نظر گرفتن مزایایی هر کدام از الگوریتمها و پوشش دادن معایب یکدیگر نسبت به روشهای دیگر مانند روش پیشنهادی توسط Hamza، دارای دقت بیشتر و نرخ هشدار غلط کمتری است. علاوه بر این پیادهسازی روش پیشنهادی نیاز به سختافزار و نرمافزاری کمتری دارد. در واقع این کتاب مشکل بسیاری از روشهای موجود که دارای نرخ هشدار غلط بالا و دقت پایین است را در نظر گرفته و با تمرکز بر این موضوع توانسته نرخ هشدار غلط را به ۱٫۱ درصد کاهش دهد این در حالی است که دقت همچنان بالا و در حدود ۹۹ درصد است.
کلید واژهها: SDN وIOT، اینترنت اشیاء، معماری اینترنت اشیاء، لایه ادراک، لایه شبکه، لایه کاربردی، مشکلات اینترنت اشیاء، مقیاسپذیری، امنیت شبکه، کیفیت سرویس (QoS)، معماری SDN، معماری SDN-IOT، انواع روشهای یادگیری ML در SDN-IoT، سیستم تشخیص نفوذ، روش تشخیص نفوذ، مبتنی بر امضا، تشخیص نفوذ مبتنی بر ناهنجاری، معیارهای ارزیابی IDS، نوع حملات، الگوریتمهای هوشمند، الگوریتمهای یادگیری ماشین، یادگیری نظارت شده، یادگیری نظارت نشده، یادگیری تقویتی، سابقه مطالعات SDN، سابقه مطالعات IoT، سابقه مطالعات SDN-IoT، الگوریتمهای هوشمند، سیستمهای تشخیص نفوذ
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.