بهبود دقت تشخیص حملات بات¬نت در شبکه¬های اینترنت اشیا با استفاده از شبکه عصبی MLP
الموضوعات : فناوری اطلاعات و ارتباطات
1 - گروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران، تهران
2 - دانشگاه پیام نور
الکلمات المفتاحية: بات¬نت, اینترنت اشیا, شبکه عصبی, یادگیری عمیق,
ملخص المقالة :
با توجه به گسترش فزاینده استفاده از اینترنت اشیا در سراسر جهان و افزایش تصاعدی تعداد دستگاههای متصل به شبکه و ارتباط بین آن‌ها، پتانسیل مشکلات امنیتی در حال افزایش است و با توجه به اتصال بسیاری از وسایل به این شبکه ، هر گونه مشکل امنیتی میتواند تبعات غیر قابل پیشبینی و جبران ناپذیری را به دنبال داشته باشد. برنامه‌های کاربردی اینترنت اشیا شامل شهرهای هوشمند، حمل‌ونقل هوشمند، محیط‌های پاسخگو و برخی از موارد خاص دیگر که مستقیماً توسط کاربران یا وسیله دیجیتال کنترل می‌شوند هستند، بنابراین مهم‌ترین خطر موجود، حملات سایبری از طریق اینترنت اشیا و وسایل دیجیتال هوشمند است. تا کنون تحقیقات زیادی برای تشخیص حملات اینترنت اشیا بالاخص حملات باتنت به‌عنوان یکی از مهم‌ترین حملات این حوزه انجام شده است؛ اما فقدان روشی که با استفاده از روش‌های یادگیری ماشین با دقت بالا و خطای کم به تشخیص این حملات بپردازد به‌شدت احساس می‌شود. در این تحقیق با استفاده از دیتاست N-BaIoT و شبیه‌ساز پایتون برای مدل‌سازی و با بکارگیری روش‌های یادگیری عمیق و شبکه عصبی MLP جهت ارزیابی و آموزش داده‌ها (با استفاده از تابع هدف و آموزش)، سیستم عصبی برای تشخیص حملات باتنت به کار برده شد. این روش Accuracy 90.35، Precision 85.99، Recall 90.53 و F1-Score 87.50 به دست آورد و در مقایسه با سایر روش‌های یادگیری ماشین شامل الگوریتم جنگل تصادفی (RF)، الگوریتم ماشین بردار پشتیبان (SVM)، الگوریتم K نزدیک‌ترین همسایه (KNN)، الگوریتم XGBOOST، الگوریتم AdaBoost در هر 4 پارامتر ارزیابی Accuracy،Precision ، Recall وF1-Score بهترین نتیجه را کسب کرد.