Assistant Professor (SG), Department Of EEE, Nehru Institute of Engineering and Technology, Nehru gardens, Thirumalayampalayam, Coimbatore, Tamilnadu, India
Associate Professor, Department of Electronics and Communication Engineering, Karpagam Institute of Technology, Coimbatore, Tamilnadu, India
Assistant Professor, Department of ECE, Nehru Institute of Engineering and Technology, Coimbatore, Tamilnadu, India
4Assistant Professor, Department of Artificial Intelligence and Data Science, Nehru Institute of Engineering and Technology, Coimbatore, Tamilnadu, India
Introducción: La detección pasiva de intrusiones en entornos industriales puede ser un desafío, especialmente cuando el área que se monitorea es extensa. Sin embargo, con la llegada de la tecnología IoT, es posible implementar sensores y dispositivos que puedan ayudar con la segmentación masiva de la intrusión pasiva. Por lo tanto, este enfoque implementa un algoritmo ML (aprendizaje automático) como soporte CNN improvisado (red neuronal convolucional) para identificar y evitar el acceso ilegal a áreas críticas en tiempo real, lo que en última instancia mejora la seguridad en entornos industriales.
Métodos: A su vez el algoritmo propuesto puede detectar patrones y anomalías que podrían indicar una intrusión pasiva. Para descubrir los patrones y las conexiones entre los distintos puntos de datos de los sensores, se pueden entrenar técnicas de DL (aprendizaje profundo) como CNN, redes neuronales recurrentes (RNN) y codificadores automáticos (AE) en conjuntos de datos masivos de datos de sensores.
Resultados: Luego, la técnica robusta DL (Aprendizaje profundo) se puede utilizar para la identificación (detección de intrusiones) en entornos industrializados, cuando se combina específicamente con otros dispositivos de IoT como sensores y sistemas de alerta. Así, el modelo se entrena y prueba. Finalmente, logró una precisión del 98,51% y del 94,85% en consecuencia.
Conclusión: Estos marcos después de completar la fase de capacitación se pueden emplear para el análisis real de los datos del nuevo sensor y también para la detección de anomalías, ya que revela una identificación potencial.
Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.