تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > Data-Driven Optimization of Io...>الوصف

Data-Driven Optimization of IoT Network Efficiency and Anomaly Detection Using Deep Neural Networks

العنوان بلغة أخرى: تحسين كفاءة شبكة إنترنت الأشياء واكتشاف الشذوذ باستخدام الشبكات العصبية العميقة
المصدر: مجلة كلية التربية الأساسية
الناشر: الجامعة المستنصرية - كلية التربية الأساسية
المؤلف الرئيسي: الفريجي، حسين فارس سعيد عذاب (مؤلف)
المؤلف الرئيسي (الإنجليزية): Al-Farije, Hussein Faris Saeed Azab
المجلد/العدد: ع127
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2024
الشهر: تشرين الأول
الصفحات: 15 - 41
ISSN: 8536-2706
رقم MD: 1531913
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
التقنيات التكنولوجية | إنترنت الأشياء | الشبكات العصبية
كلمات المؤلف المفتاحية:
إنترنت الأشياء | الذكاء الاصطناعي | الشبكات العصبية العميقة | التعلم الآلي | اكتشاف الشذوذ | التحليلات التنبؤية | إدارة إنترنت الأشياء المعتمدة على الذكاء الاصطناعي | IOT | AI | Deep Neural Networks (DNN) | Artificial Intelligence (AI) | Machine Learning (ML) | Anomaly Detection | Predictive Analytics | AI Driven IoT Management
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: إن إنترنت الأشياء ينمو بسرعة ويقدم فرصاً هائلة - ولكن أيضاً بعض الصعوبات الكبيرة - التي تتعلق في الغالب بإدارة وتأمين حركة المرور على الشبكة. ومع وجود مليارات الأجهزة المترابطة، التي تنتج كميات هائلة من البيانات كل ثانية، فإن إنترنت الأشياء يتطلب نوعاً جديداً من البنية الأساسية للشبكة، وهي البنية القادرة على أن تكون موثوقة وآمنة من التهديدات الخارجية. وفي الوقت الحاضر، يقع قدر كبير من العبء عن هذين الشرطين المزدوجين لأداء الشبكة وأمنها على إنترنت الأشياء نفسه. ومع ذلك، اتخذ الباحثون في كلية جرادي للصحافة والاتصال الجماهيري في جامعة جورجيا خطوة نحو شيء أقرب إلى المثالية من خلال توصيل شبكة عصبية شاملة متعددة الطبقات وتغذية أجزائها المختلفة بتيار من الظروف النموذجية للشبكة أثناء تشغيلها العادي. وتسبق طبقة الإدخال المقابلة لخصائص حركة المرور على شبكة إنترنت الأشياء عدة طبقات مخفية في البنية. وقد صُممت هذه الطبقات المخفية لتمييز الأنماط المعقدة والمتشابكة داخل بيانات حركة المرور على الشبكة. ومن أجل التخفيف من الإفراط في التجهيز الذي قد يحدث إذا كان النموذج مطابقاً تماماً لبيانات التدريب، تم دمج تقنية التسرب كجزء من البنية. تستخدم طبقة الإخراج دالة تنشيط سوفت ماكس لإنتاج نتيجة تمييز متعددة الفئات تشير إلى ما إذا كانت حركة المرور على الشبكة التي يتم تحليلها طبيعية أم غير طبيعية. بشكل عام، فإن بنية النموذج هي بحيث يمكن الاستفادة من تقنيات التعلم الآلي المتقدمة من أجل تحديد أي شذوذ في حركة مرور إنترنت الأشياء والاستجابة له، وبالتالي تحسين أداء الشبكة المعنية. نقوم بمعالجة مسبقة دقيقة للبيانات، وتصميم بنية نموذجية هادفة، وتقييم شامل ومتعدد الطبقات يستخدم مقاييس أداء مختلفة. بالمقارنة مع بعض الخوارزميات الأكثر استخدامًا للكشف عن الشذوذ، يوضح نهجنا بوضوح دقة فائقة وتدفق بيانات أكثر كفاءة في شبكة إنترنت الأشياء. بالإضافة إلى ذلك، نوضح بالتفصيل كيف يمكن استخدام نموذجنا في الوقت الفعلي للتطبيق ومدى قدرته على العمل في البيئات الكبيرة والحركة المرورية العالية والديناميكية التي تميز شبكة إنترنت الأشياء الحديثة.

The Internet of Things (IoT) is growing rapidly and presents enormous opportunities-but also some substantial difficulties mostly having to do with managing and securing network traffic. With billions of interconnected devices, producing unfathomable amounts of data every second, the IoT demands a new kind of network infrastructure, one capable of being both reliable and secure from outside threats. At present, much of the onus for these twin conditions of network performance and security falls on the IoT itself. Yet researchers at the Grady College of Journalism and Mass Communication at the University of Georgia have taken a step toward something closer to ideal by wiring up a comprehensive, multilayer neural network and feeding its various parts a stream of conditions typical for the network during its normal operation. An input layer corresponding to the characteristics of the IoT network traffic precedes several hidden layers in the architecture. These hidden layers are designed to discern complex and intricate patterns within the network traffic data. In order to mitigate overfitting that might occur if the model is too perfectly matched to the training data, a dropout technique was incorporated as part of the architecture. The output layer uses a softmax activation function to produce a multi-class discrimination result those signals whether the network traffic being analyzed is normal or anomalous. Overall, the structure of the model is such that advanced machine learning techniques can be leveraged in order to identify and respond to any IoT traffic anomalies that occur, thus improving the performance of the network in question. We carry out meticulous data preprocessing, purposeful model architecture design, and a comprehensive and layered evaluation that utilizes various performance metrics. In comparison with some of the most commonly used algorithms for anomaly detection, our approach clearly demonstrates superior accuracy and a more efficient data flow in the IoT network. Additionally, we detail how our model could be used in a real-time the application and how well it scales to operate in the large, high-traffic, and dynamic environments that characterize the modern IoT network.
ISSN: 8536-2706

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.