روش ترپیبی شناسایی حملات سایبری با الگوریتم های یادگیری ماشین در اینترنت اشیا

امروزه اینترنت اشیا (IOT) بعنوان یک شبکه جهانی رو به رشد، مستعد حملات مختلف است و یکی از حملات خطرناک لایه شبکه، حملات سایبری است. حفظ امنیت در برابر حملات سایبری مختلف درون شبکه‌ای به عنوان یکی از چالش‌های مهم IoT به شمار می رود. سیستم تشخیص نفوذ (IDS) یکی از روش های اصلی و تاثیرگذار دفاعی برای مقابله با حملات در IOT است و نقش مهمی برای شناسایی و جلوگیری از حملات سایبری در شبکه‌های IoT، ایفا می‌کند. حملات مختلف رفتار خاص خود را دارند و شناسایی حملات با استفاده از روش ترکیبی عملکردی مناسب در شناسایی انواع حملات جدید به دست می‌آورد. در این مقاله، یک روش ترکیبی جدید برای شناسایی حمله و ناهنجاری مبتنی بر الگوریتم‌های یادگیری ماشین (جنگل تصادفی (RF)، شبکه عصبی پرسبترون(MLP)، درختان تصمیم تقویت شده با گرادیان (GBT) و K_نزدیک‌ترین همسایه (K-NN)) در اینترنت اشیا پیشنهاد شده است. برخلاف کارهای موجود که بر طبقه‌بندی‌کننده‌های مفرد متمرکز شده‌اند، در این مقاله از الگوریتم‌های مجموعه‌ای Boosting و Bagging برای افزایش عملکرد سیستم تشخیص نفوذ (IDS) استفاده می‌شود. فرآیند یادگیری و آزمایش‌ها بر روی مجموعه داده UNSW_NB15 و NLS_KDD انجام‌ شده است. نتایج نشان می‌دهد که الگوریتم‌های جنگل تصادفی به ترتیب با دقت (973/0 و 95/0) و Bagging با دقت(998/0 و997/0) به طور موثر حملات سایبری را شناسایی می‌کند و الگوریتم مجموعه‌ایBagging از نظر دقت، دقت تشخیص، یادآوری و امتیاز F1 بهتر از مدل‌های قابل مقایسه است