بهبود دقت تشخیص حملات بات نت در شبکه های اینترنت اشیا با استفاده از شبکه عصبی MLP

با توجه به گسترش فزاینده استفاده از اینترنت اشیا در سراسر جهان و افزایش تصاعدی تعداد دستگاه های متصل به شبکه و ارتباط بین آن ها، پتانسیل مشکلات امنیتی در حال افزایش است و با توجه به اتصال بسیاری از وسایل به این شبکه ، هر گونه مشکل امنیتی می تواند تبعات غیر قابل پیش بینی و جبران ناپذیری را به دنبال داشته باشد. برنامه های کاربردی اینترنت اشیا شامل شهرهای هوشمند، حمل ونقل هوشمند، محیط های پاسخگو و برخی از موارد خاص دیگر که مستقیما توسط کاربران یا وسیله دیجیتال کنترل می شوند هستند، بنابراین مهم ترین خطر موجود، حملات سایبری از طریق اینترنت اشیا و وسایل دیجیتال هوشمند است. تا کنون تحقیقات زیادی برای تشخیص حملات اینترنت اشیا بالاخص حملات بات نت به عنوان یکی از مهم ترین حملات این حوزه انجام شده است؛ اما فقدان روشی که با استفاده از روش های یادگیری ماشین با دقت بالا و خطای کم به تشخیص این حملات بپردازد به شدت احساس می شود. در این تحقیق با استفاده از دیتا ست N-BaIoT و شبیه ساز پایتون برای مدل سازی و با بکارگیری روش های یادگیری عمیق و شبکه عصبی MLP جهت ارزیابی و آموزش داده ها (با استفاده از تابع هدف و آموزش)، سیستم عصبی برای تشخیص حملات بات نت به کار برده شد. این روش Accuracy ۹۰.۳۵، Precision ۸۵.۹۹، Recall ۹۰.۵۳ و F۱-Score ۸۷.۵۰ به دست آورد و در مقایسه با سایر روش های یادگیری ماشین شامل الگوریتم جنگل تصادفی (RF)، الگوریتم ماشین بردار پشتیبان (SVM)، الگوریتم K نزدیک ترین همسایه (KNN)، الگوریتم XGBOOST، الگوریتم AdaBoost در هر ۴ پارامتر ارزیابی Accuracy،Precision ، Recall وF۱-Score بهترین نتیجه را کسب کرد.

کلیدواژه ها:

بات نت ، اینترنت اشیا ، شبکه عصبی ، یادگیری عمیق