تشخیص حملات سایبری در اینترنت اشیاء صنعتی با رویکرد یادگیری جمعی

اینترنت اشیاء صنعتی (IIoT) همان بهره گیری از فناوری اینترنت اشیاء در سیستم های کنترل صنعتی است . سیستم های کنترل صنعتی بخشی جدا یی ناپذ یر از زیرساخت های مهم هستند و مدت زمان طولانی است که برای نظارت بر ماشین آلات و فرآیندهای صنعتی مورد استفاده قرار گرفته اند. به دلیل اتصال شبانه روزی این سیستم ها و کانال ارتباطی آنها در معرض حملات سایبری هدفمند قرار می گیرند. در نتیجه ، یک راه حل امنیتی چند سطحی برای محافظت از سیستم صنعتی مورد نیاز است . یک سیستم تشخیص نفوذ ( (IDS می تواند برای مقا بله با این حملات سایبری با تجزیه و تحلیل بسته های داده برای هرگونه حمله هدفمند در محیط IIoT استفاده شود. این مقاله یک چارچوب تشخیص حملات سا یبری برای IIoT با استفاده از رویکرد یادگیری جمعی مبتنی بر رای ارائه می کند. در چارچوب پیشنهادی ، مجموعه ای از جد یدتر ین تکنیک های یادگیری ماشین مانند هیستوگرام تقویت گرادیان (HGB)، CatBoost و جنگل تصادفی ((RF و یک طبقه بند رای سخت برای تشخیص کارآمد حملات سایبری استفاده می شوند. در مدل پیشنهادی CatBoost با دقت ۸۵.۹۹ درصد بالاتر از دو مدل HGB و RF به ترتیب با دقت ۹۰.۹۷ درصد و ۸۳.۹۸ درصد می با شد .

کلیدواژه ها:

اینترنت اشیاء صنعتی ، حملات سایبری ، یادگیری جمعی ، تشخیص نفوذ.