شناسایی ماشین های آلود به بدافزار در شهرهای هوشمند با آنالیز ترافیک توسط انتخاب ویژگی مبتنی بر یادگیری تلفیقی

نویسندگان :

نفوذ به شبکه اینترنت اشیاء لبه عنوان یکی از چالش های بزرگ این شبکه در نظر گرفته می شود. در بیشتر موارد، بدافزارهای در اینترنت اشیاء توزیع می شود و این بدافزارها اشیاء هوشمند را آلوده می کنند. اشیاء آلوده که بات نت نیز نامیده می شوند بر علیه سرویس-های شبکه حملاتی نظیر DDoS را انجام می دهند تا سرویس ها توسط کاربران قابل دسترسی نباشند. یک رویکرد مناسب برای تشخیص حملات استفاده از سیستم های تشخیص نفوذ هوشمند و غیرتوزیع شده در اینترنت اشیاء و شهرهای هوشمند است. در بیشتر پژوهش ها برای طراحی سیستم های تشخیص نفوذ از معماری متمرکز و با یک روش یادگیری ماشین و یادگیری عمیق استفاده شده است. در این مقاله یک سیستم تشخیص نفوذ توزیع شده با دو فاز طراحی شده است. در فاز اول از یک نسخه جدید و بهبود یافته الگوریتم بهینه سازی وال برای انتخاب ویژگی و کاهش ابعاد ترافیک در گره های مه استفاده شده است. در فاز دوم هر گره مه روی ویژگی های مهم ترافیک شبکه عمل طبقه بندی را با رای گیری و یادگیری تلفیقی انجام می دهد. آزمایشات نشان داد الگوریتم بهبود یافته وال نسبت به الگوریتم بهینه سازی وال دارای خطای کمتری در محاسبه جواب بهینه است. کاهش یافتن تابع هدف انتخاب ویژگی در روش پیشنهادی نشان می دهد الگوریتم وال در حال یافتن ویژگی های بهینه برای تشخیص نفوذ و کاهش دادن خطای تشخیص نفوذ است. آزمایشات نشان داد روش پیشنهادی در تشخیص نفوذ به شبکه بدون انتخاب ویژگی دارای دقت، حساسیت و صحت برابر 98.21%، 98.09% و 97.88% است. روش پیشنهادی با انتخاب ویژگی دارای دقت، حساسیت و صحت به ترتیب برابر 99.39%، 99.31% و 99.28% است. مقایسه ها نشان داد دقت و صحت روش پیشنهادی در تشخیص نفوذ به شبکه نسبت به الگوریتم گرگ خاکستری، ژنتیک و ماشین بردار پشتیبان، الگوریتم گرگ خاکستری باینری شده و الگوریتم ترکیبی گرگ خاکستری و ژنتیک بیشتر است. روش پیشنهادی نسبت به الگوریتم گرگ خاکستری ترکیب شده با الگوریتم ذرات، الگوریتم کرم شب تاب و انتخاب ویژگی با الگوریتم یادگیری عمیق نیز دارای دقت بیشتری در تشخیص نفوذ است.