ارائه یک فریم ورک جدید مبتنی بر یادگیری ماشین جمعی برای شناسایی و جلوگیری از حملات بات نت در شبکه

امروزه اینترنت اشیاء به مفهومی جدید مبدل شده و تاثیرات بسیار بزرگی روی دنیا گذاشته است . اینترنت اشیاء شامل میلیاردها دستگاه فیزیکی در سراسر جهان می باشدکه به اینترنت متصل بوده و اطلاعات را جمع آوری می کنند و با کاربر و سا یر دستگاههای متصل به اشتراک می گذارند. بات نت های اینترنت اشیاء مجموعه ای از دستگاه ها ی متصل به هم است که توسط یک بدافزار آلوده شده اند. ایده پشت بات نت ها ی اینترنت اشیاء به کارگیری هرچه بیشتر دستگاه های اینترنت اشیاء و استفاده از آن ها برای انجام حملاتی مانند DDoS است . در این تحقیق ، برای شناسا یی و جلوگیری از حملات باتنت به رایانه های متصل ، از سه تکنیک اصلی یادگیری ماشین یعنی جنگل تصادفی (RF)، درخت تصمیم (DT) و مدل خطی تعمیم یافته (GLM) همراه با یک مدل یادگیری جمعی Stacking برای شناسا یی باتنت ها در ترافیک شبکه کامپیوتری استفاده می شود. نتا یج نشان می دهد که جنگل تصادفی و درخت تصمیم به ترتیب با ضر یب تعیین ۹۹۷۷.۰ و ۹۸۸۲.۰ بهترین عملکرد را دارند.

کلیدواژه ها:

یادگیری ماشین ، اینترنت اشیاء ، بات نت ، ترافیک شبکه .