تشخیص گره های غیرعادی در امنیت اینترنت اشیاء با استفاده از شبکه های عصبی و تئوری گراف

مقالات آماده انتشار

نوع مقاله : علمی-پژوهشی

نویسندگان

1 گروه مهندسی کامپیوتر دانشگاه ازاد اسلامی واحد تهران شمال

2 گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

10.22034/tjee.2026.69361.5088

چکیده

افزایش روزافزون دستگاه‌های اینترنت اشیاء و گسترش کاربردهای آن در حوزه‌های مختلف، چالش‌های امنیتی جدیدی را به‌وجود آورده است که شناسایی به‌موقع ناهنجاری‌ها و گره‌های غیرعادی در شبکه‌های اینترنت اشیاء را به یک ضرورت تبدیل می‌کند. محدودیت منابع سخت‌افزاری، تنوع پروتکل‌ها و ساختار پیچیده ترافیک شبکه از جمله عواملی هستند که روش‌های سنتی و برخی روش‌های یادگیری عمیق را در تشخیص تهدیدات امنیتی ناکارآمد می‌سازند. در این مقاله، روشی ترکیبی مبتنی بر تئوری گراف و شبکه‌های عصبی مصنوعی برای شناسایی گره‌های غیرنرمال ارائه شده است. شبکه اینترنت اشیاء به‌صورت یک گراف جهت‌دار مدل‌سازی شده و با استخراج معیارهای مرکزیت نظیر درجه، نزدیکی، بردار ویژه، بینابینی و رتبه صفحه، ویژگی‌های ساختاری گره‌ها به دست آمده است. سپس با برازش منحنی‌های مختلف بر داده‌های نرمال‌شده، شاخص‌های جدیدی جهت بهبود صحت مدل ایجاد شد. شبکه عصبی چندلایه طراحی‌شده، گره‌ها را به سه دسته سالم، مشکوک و ناسالم طبقه‌بندی کرد. نتایج نشان داد که ترکیب ویژگی‌های گرافی و یادگیری عمیق صحت تشخیص ناهنجاری‌ها را با استفاده از برازش منحنیLOWESS به 99.03% رسانده است که نسبت به مدل شبکه عصبی بدون برازش منحنی (98.22%) 0.81% و مدل‌های خطی و چندجمله‌ای (98.87%) 0.16% بهبود داشته است. این روش به‌عنوان یک ابزار مؤثر در ارتقای امنیت و کاهش آسیب‌پذیری‌های شبکه‌های اینترنت اشیاء قابل استفاده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Detecting abnormal nodes in IoT security using neural networks and graph theory

نویسندگان [English]

  • fatemeh davami 1
  • pouya Derakhshan-Barjoei 2
  • Narjes Shaviklou 2
1 department of computer engineering, NT.C. Islamic Azad University
2 Department of Computer Engineering, SR.C., Islamic Azad University, Tehran, Iran
چکیده [English]

The increasing use of Internet of Things (IoT) devices has introduced new security challenges, making timely detection of anomalies and abnormal nodes essential. Limitations in hardware resources, protocol diversity, and network traffic complexity render traditional methods ineffective in identifying threats. This paper presents a hybrid approach based on graph theory and artificial neural networks to classify network nodes into three categories: healthy, suspicious, and unhealthy. Graph features such as centrality measures are extracted, and anomaly detection accuracy is improved to 99.03% using LOWESS curve fitting, compared to 98.22% for a neural network without curve fitting and 98.87% for linear and polynomial models. This method outperforms other approaches and serves as an effective tool for improving security in IoT networks.

کلیدواژه‌ها [English]

  • Internet of Things
  • Graph Theory
  • Artificial Neural Network
  • Anomaly Detection
  • Linear Regression
  • LOWESS Algorithm
مجله مهندسی برق دانشگاه تبریز

مقالات آماده انتشار، اصلاح شده برای چاپ
انتشار آنلاین از تاریخ 16 اردیبهشت 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار