شناسایی بات نتها در اینترنت اشیاء با رویکرد یادگیری عمیق شبکه GAN و شبکه عصبی یافته با الگوریتم بهینه سازی عقاب آتشین

اشیاء هوشمند و متصل به شبکه اینترنت اشیاء به دلیل محدودیت در منابع مستعد نفوذ می باشند. بات نتها یکی از ابزارهای نفوذ به شبکه اینترنت اشیاء می باشند. بات نتها به عنوان گره های آلوده به بدافزار در نظر گرفته می شوند و می توانند حملاتی نظیر DDoS را ایجاد نمایند. برای تشخیص حملات بات نت به شبکه، سیستم های تشخیص نفوذ نقش کلیدی دارند. یک سیستم تشخیص نفوذ بر پایه یادگیری ماشین و یادگیری عمیق توانایی تشخیص حملات پیچیده را دارد. در این مقاله یک سیستم تشخیص نفوذ کارآمد برای تشخیص حملات بات نت در شبکه ارایه می شود. در مرحله اول با یادگیری عمیق بر پایه شبکه GAN مجموعه داده متعادل سازی می شود. در مرحله دوم ویژگی های اساسی ترافیک با الگوریتم بهینه سازی شاهین انتخاب می شود. در مرحله سوم یادگیری گروهی بین روش های LSTM XGBoost و MLP بر اساس ویژگی های انتخاب شده انجام می شود. آزمایشات در مجموعه داده UNSW-NB۱۵ نشان می دهد دقت، حساسیت و صحت روش پیشنهادی در تشخیص حملات به ترتیب برابر ۹۹.۱۲، ۹۸.۹۷ و ۹۸.۳٪ است. روش پیشنهادی در تشخیص حملات از روش های CNN، Densely-ResNet، Inception LSTM و Inception۶ دقت بیشتری دارد.

کلیدواژه ها:

بات نتها ، اینترنت اشیاء ، یادگیری عمیق مبتنی بر GAN ، یادگیری عمیق مبتنی بر LSTM ، الگوریتم بهینه سازی عقاب آتشین