Key points are not available for this paper at this time.
في المشهد المتطور لأمن إنترنت الأشياء (IoT) وإنترنت الأشياء الصناعية (IIoT)، تعتبر أنظمة الكشف عن التسلل الجديدة والفعالة ضرورية. في هذه المقالة، نقدم نهجًا رائدًا للكشف عن التسلل لمحطات شحن السيارات الكهربائية المعتمدة على إنترنت الأشياء (EVCS)، من خلال دمج القدرات القوية لشبكة الأعصاب التلافيفية (CNN) وذاكرة المدى الطويل والقصير (LSTM) والوحدة المتكررة المغلقة (GRU). يوفر الإطار المقترح مجموعة بيانات شاملة من الق cybersecurity في العالم الحقيقي، مصممة خصيصًا لتطبيقات IoT و IIoT، لمعالجة التحديات المعقدة التي تواجهها EVCS المعتمدة على إنترنت الأشياء. أجرينا اختبارات واسعة في سيناريوهات ثنائية ومتعددة الفئات. النتائج ملحوظة، حيث أظهرت دقة مثالية تبلغ 100% في التصنيف الثنائي، ودقة مثيرة للإعجاب تبلغ 97.44% في تصنيف الفئات الست، و96.90% في تصنيف خمسة عشر فئة، مما يضع معايير جديدة في هذا المجال. هذه الإنجازات تؤكد على فعالية بنية مجموعة CNN-LSTM-GRU في إنشاء نظام كشف تسلل مرن وقابل للتكيف للبنى التحتية لـ IoT. تمثل الخوارزمية الجماعية، المتاحة عبر GitHub، خطوة كبيرة في تعزيز EVCS المعتمدة على إنترنت الأشياء ضد مجموعة متنوعة من التهديدات الإلكترونية.
درس كيلتشيف وآخرون (الأربعاء) هذا السؤال.