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

نفود به شبکه اینترنت آشیاء 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 نیزنامیده می شوند بر علیه سرویس های شبکه حملاتی نظیر DDoS را انجام می دهند تا سرویس ها توسط کاربران قابلدسترسی نباشند. یک رویکرد مناسب برای تشخیص حملات استفاده از سیستم های تشخیص نفوذ هوشمند و غیرتوزیعشده در اینترنت آشیاء و شهرهای هوشمند است. در بیشتر پژوهش ها برای طراحی سیستم های تشخیص نفود ازمعماری متمرکز و با یک روش یادگیری ماشین و یادگیری عمیق استفاده شده است. در این مقاله یک سیستمتشخیص نفوذ توزیع شده با دو فاز طراحی شده است. در فاز اول از یک نسخه جدید و بهبود یافته الگوریتم بهینه سازیوال 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 الگوریتمبهبود یافته وال نسبت به الگوریتم بهینه سازی وال دارای خطای کمتری در محاسبه جواب بهینه است. کاهش یافتنتابع هدف انتخاب ویژگی در روش پیشنهادی نشان می دهد الگوریتم وال در حال یافتن ویژگی های بهینه برایتشخیص نفوذ و کاهش دادن خطای تشخیص نفوذ است. آزمایشات نشان داد روش پیشنهادی در تشخیص نفوذ بهشبکه بدون انتخاب ویژگی دارای دقت، حساسیت و صحت برابر ۹۸.۲۱%، ۹۸.۰۹% و ۹۷.۸۸% است. روش پیشنهادیبا انتخاب ویژگی دارای دقت، حساسیت و صحت به ترتیب برابر ۹۹.۳۹%، ۹۹.۳۱% و ۹۹.۲۸% است. مقایسه ها نشانداد دقت و صحت روش پیشنهادی در تشخیص نفود به شبکه نسبت به الگوریتم گرگ خاکستری ژنتیک و ماشینبردار پشتیبان الگوربتم گرگ خاکستری باینری شده و الگوربتم ترکیبی گرگ خاکستری و ژنتیک بیشتر است. روشپیشنهادی نسبت به الگوریتم گرگ خاکستری ترکیب شده با الگوریتم درات، الگوریتم کرم شب تاب و انتخاب ویژگی باالگوریتم یادگیری عمیق نیز دارای دقت بیشتری در تشخیص نفوذ است.

کلیدواژه ها:

ماشین های آلود به بدافزار ، شهرهای هوشمند ، بات نتها ، یادگیری تلفیقی ، الگوریتم بهبود یافته بهینه سازی وال