مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 68 2026 4 19 Intelligent Detection of DDoS Attacks in Internet of Things Devices Using a Hybrid Approach of CNN, LSTM, and FFNN Neural Networks تشخیص هوشمند حملات DDoS در دستگاه‌های اینترنت اشیا با استفاده از رویکرد ترکیبی شبکه‌های عصبی CNN، LSTM و FFNN fa ماندانا رستمی دانشگاه آزاد اسلامی واحد علوم و تحقیقات پویا درخشان برجوئی دانشگاه آزاد اسلامی واحد علوم و تحقیقات الهه مرادی دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری 2025 9 16 <p style="text-align: left;">As the use of Internet of Things (IoT) devices expands, cyber-attacks, especially DDoS, have become more sophisticated, making their detection a fundamental challenge. Research shows that deep neural networks perform well due to their compatibility with large volumes of data. This study investigates and compares the performance of deep learning models for detecting cyber-attacks in distributed networks.Four deep learning models, including the CNN, LSTM, and FFNN neural networks, as well as their combinations (CNN+FFNN and CNN+LSTM), were evaluated for analyzing network traffic data. The models were trained on the Bot-IoT dataset, and their performance was measured based on accuracy. The results show that the combination of CNN and LSTM, by leveraging both spatial features and temporal dependencies, achieves the highest accuracy in detecting complex attacks like DDoS.This model can extract hidden features from raw data and simulate the temporal relationships of attacks, which is crucial for identifying gradual and complex threats in IoT and Fog computing environments. The combination of CNN and FFNN also demonstrated a notable performance in detecting faster threats with less complexity. Ultimately, this research emphasizes the importance of combining deep learning models to improve the accuracy of cyber-attack detection systems and proposes solutions based on distributed architectures for the security of IoT and Fog networks.</p> <p style="text-align: justify;">با گسترش استفاده از دستگاه&zwnj;های اینترنت اشیا (IoT)، حملات سایبری، به&zwnj;ویژه DDoS، پیچیده&zwnj;تر و تشخیص آن&zwnj;ها به چالشی اساسی تبدیل شده است. تحقیقات نشان می&zwnj;دهد شبکه&zwnj;های عصبی عمیق به دلیل سازگاری با داده&zwnj;های حجیم، عملکرد مطلوبی دارند. در این پژوهش، عملکرد مدل&zwnj;های یادگیری عمیق در تشخیص حملات سایبری در شبکه&zwnj;های توزیع&zwnj;شده بررسی و مقایسه شده است. چهار مدل یادگیری عمیق شامل شبکه های عصبی CNN ،LSTM ،FFNN و ترکیب&zwnj;های آن&zwnj;ها (CNN+FFNN و CNN+LSTM) برای تحلیل داده&zwnj;های ترافیک شبکه ارزیابی شدند. مدل&zwnj;ها با دیتاست Bot-IoT آموزش دیدند و عملکردشان بر اساس معیار دقت سنجیده شد. نتایج نشان می&zwnj;دهد ترکیب CNN و LSTM با بهره&zwnj;گیری از ویژگی&zwnj;های مکانی و وابستگی&zwnj;های زمانی، بالاترین دقت را در تشخیص حملات پیچیده مانند DDoS دارد. این مدل می&zwnj;تواند ویژگی&zwnj;های پنهان را از داده&zwnj;های خام استخراج و روابط زمانی حملات را شبیه&zwnj;سازی کند که در محیط&zwnj;های IoT و محاسبات Fog برای شناسایی تهدیدات تدریجی و پیچیده حائز اهمیت است. همچنین ترکیب CNN و FFNN نیز در تشخیص تهدیدات سریع&zwnj;تر و پیچیدگی کمتر، عملکرد قابل&zwnj;توجهی داشته است. در نهایت این پژوهش بر اهمیت ترکیب مدل&zwnj;های یادگیری عمیق در بهبود دقت سیستم&zwnj;های تشخیص حملات سایبری تأکید کرده و راهکارهایی مبتنی بر معماری&zwnj;های توزیع&zwnj;شده برای امنیت شبکه&zwnj;های IoT و Fog پیشنهاد می&zwnj;دهد.</p> http://jour.aicti.ir/en/Article/Download/51423