تشخیص نفوذ مبتنی بر شبکه عصبی MLP با بهره گیری از GAN و اعتبارسنجی متقاطع 5-فولدی

زمینه : اینترنت اشیا (IoT) با رشد سریع دستگاه های متصل (بیش از 75 میلیارد تا سال 2025) و کاربردهای گسترده در خانه های هوشمند، شهرهای هوشمند، و صنعت 4.0، با چالش های امنیتی جدی مانند حملات DDoS، بدافزارها، و نفوذ غیرمجاز مواجه است. مجموعه داده ToN-IoT، توسعه یافته توسط دانشگاه UNSW Canberra، با شبیه سازی حملات واقعی و تنوع ویژگی ها (مانند src_bytes و proto)، معیاری استاندارد برای ارزیابی سیستم های تشخیص نفوذ (IDS) ارائه می دهد [25]. روش های سنتی مانند SVM به دلیل نرخ خطای مثبت کاذب بالا و ناتوانی در مدل سازی الگوهای پیچیده، برای IoT ناکارآمدند [30]. هدف:این پژوهش با هدف طراحی یک سیستم تشخیص نفوذ مبتنی بر شبکه عصبی چندلایه ای (MLP) برای مجموعه داده ToN-IoT انجام شد تا با دقت بالا (>94%)، نرخ خطای پایین، و سازگاری با سخت افزار محدود (8 گیگابایت رم و سی پی یو 2.5 گیگاهرتزی)، امنیت شبکه های IoT را بهبود بخشد. روش پژوهش: این پژوهش از نمونه برداری 50 درصدی برای کاهش داده ها به 288,153 نمونه، افزایش داده کلاس حمله با شبکه مولد تقابلی (GAN) برای تولید 57,631 نمونه مصنوعی، انتخاب 35 ویژگی با آستانه واریانس برای کاهش پیچیدگی، و بهینه سازی بیزی هایپرپارامترها (نرخ یادگیری 0.0037566، Dropout 0.4006) استفاده کرد. معماری MLP با لایه های 128-64-32، نرمال سازی دسته ای، Dropout، L2 Regularization (0.01)، و Early Stopping (Patience=10) طراحی شد [9, 15]. یافته ها: اعتبارسنجی 5-فولدی نشان داد: دقت میانگین 94.17%، AUC 0.932، MCC 0.879، Precision 92.77%، Recall 97.92%، و F1-Score 95.28%. نرخ خطای مثبت کاذب (FP=2638) و تفاوت 2-3% بین دقت آموزشی (تا 96%) و اعتبارسنجی (94%) مدیریت موفق بیش برازش را تایید می کند [1]. نتیجه گیری: این روش با دقت بالا، نرخ خطای پایین، و کارایی محاسباتی، برای تشخیص نفوذ در محیط های IoT با منابع محدود مناسب است و نسبت به روش های پیشین مانند LSTM و CNN-LSTM برتری دارد [24].

کلیدواژه ها:

تشخیص نفوذ در اینترنت اشیا ، بهینه سازی بیزی ، بیش برازش ، شبکه عصبی MLP ، شبکه مولد تقابلی