دانلود مقاله چارچوب امنیت سایبری هوشمند برای پهپاد
چکیده
مقدمه
مروری بر مطالعات پیشین
چارچوب پیشنهادی
ارزیابی تجربی
محدودیت ها و مطالعات آتی
نتیجه گیری
منابع
Abstract
Introduction
Literature Review
Proposed Framework
Experimental Assessment
Limitations and Future Works
Conclusions
References
چکیده
پیشرفت‌های هواپیماهای بدون سرنشین، روندها و امکانات جدیدی را در بخش‌های مختلف، به‌ویژه برای پهپادهای کوچک به وجود آورده است. پهپادها خدمات ناوبری را ارائه می دهند که توسط اینترنت اشیا (IoT) امکان پذیر شده است. از سوی دیگر، شبکه‌های هواپیماهای بدون سرنشین به دلیل نقص‌های طراحی در معرض خطرات حریم خصوصی و امنیتی هستند. برای دستیابی به عملکرد مطلوب، ایجاد یک شبکه محافظت شده ضروری است. هدف مطالعه حاضر بررسی نگرانی‌های اخیر حریم خصوصی و امنیتی است که بر شبکه هواپیماهای بدون سرنشین (NoD) تأثیر می‌گذارد. تحقیق حاضر بر اهمیت یک شبکه پهپاد با قدرت امنیتی برای جلوگیری از رهگیری و نفوذ تاکید دارد. یک تکنیک ترکیبی ML از رگرسیون لجستیک و جنگل تصادفی به منظور طبقه‌بندی نمونه‌های داده برای حداکثر کارایی استفاده می‌شود. با ترکیب تکنیک‌های پیچیده الهام گرفته از هوش مصنوعی در چارچوب یک NoD، تکنیک پیشنهادی آسیب‌پذیری‌های امنیت سایبری را کاهش می‌دهد و در عین حال NoD را محافظت و ایمن می‌کند. برای اهداف اعتبارسنجی، تکنیک پیشنهادی در برابر یک مجموعه داده چالش برانگیز آزمایش می‌شود، نتایج عملکرد بهبودیافته را از نظر اثربخشی زمانی (34.56 ثانیه)، معیارهای آماری (دقت (97.68٪)، دقت (98.58٪)، یادآوری (98.59٪)، F - اندازه گیری (99.01%)، پایایی (94.69%) و پایداری (0.73) ثبت می‌کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Drone advancements have ushered in new trends and possibilities in a variety of sectors, particularly for small-sized drones. Drones provide navigational interlocation services, which are made possible by the Internet of Things (IoT). Drone networks, on the other hand, are subject to privacy and security risks due to design flaws. To achieve the desired performance, it is necessary to create a protected network. The goal of the current study is to look at recent privacy and security concerns influencing the network of drones (NoD). The current research emphasizes the importance of a security-empowered drone network to prevent interception and intrusion. A hybrid ML technique of logistic regression and random forest is used for the purpose of classification of data instances for maximal efficacy. By incorporating sophisticated artificial-intelligence-inspired techniques into the framework of a NoD, the proposed technique mitigates cybersecurity vulnerabilities while making the NoD protected and secure. For validation purposes, the suggested technique is tested against a challenging dataset, registering enhanced performance results in terms of temporal efficacy (34.56 s), statistical measures (precision (97.68%), accuracy (98.58%), recall (98.59%), F-measure (99.01%), reliability (94.69%), and stability (0.73). View Full-Text
Introduction
The environmental ubiquity of smart technologies enables applications with elevated performance and efficiency [1]. It provides enhanced capabilities by object configuration in the smart city [2]. Drone technology has recently led to the development of miniature drones such as quadcopters and micro drones [3]. These small drones have the advantage of being able to easily enter any infrastructure for tracking numerous domains including industrial surveillance and disaster response, search and rescue, military usage, accurate agriculture, shipping, and delivery. Drones or unmanned aerial vehicles (UAVs) are air-bound aircraft that do not have human operators [4]. They can be used for aerial photography, weather forecasting, and other purposes. UAVs are typically utilized by aerodynamics forces to supply them with facilities of controlling a machine from a distance [5,6]. There are comparable commercial applications that have influenced the features of various businesses and have impacted everybody. UAVs are useful vehicles for surveillance and monitoring since they are often capable of gathering airborne data and relaying it to the base station with ease.
Conclusions
Using a hybrid ML technique of logistic regression and random forest (LRRF), the current article provides IoT-assisted cybersecurity for drone-based networks. The presented framework uses IoT data from drones, sensors, and network information to create securitylevel patterns and identify security threats that exploit attack patterns. The presented technique can detect attacks on in-network data using the hybrid LRRF technique. The suggested system has been tested using a challenging dataset and has shown to be effective in detecting cyberattacks in real time. The model’s performance is measured in terms of statistical parameters of temporal efficacy (34.56 s), statistical measures (precision (97.68%), accuracy (98.58%), recall (98.59%), F-measure (99.01%), reliability (94.69%), and stability (0.73). The presented model exhibits its generalizability and robustness by appropriately detecting attack types. For future research, the suggested framework will be tried on different domains for intrusion detection.