شناسایی حملات سایبری به محیط اینترنت اشیا با حذف بازگشتی ویژگی های غیرمفید و خوشه بندی مبتنی بر چگالی

در سال های اخیر، امنیت در محیط های اینترنت اشیا که تجهیزات از طریق اینترنت به یکدیگر متصل می شوند به یک چالش اساسی در حوزه ی امنیت سایبری تبدیل شده است. باوجود تلاش های گسترده برای حفاظت از این فضاها، همچنان محدودیت هایی در زمینه ی سرعت پردازش و دقت تشخیص مشاهده می شود. در روش پیشنهادی، داده های اولیه پیش از ورود به مرحله ی یادگیری، تحت پردازش قرار گرفته و به کمک الگوریتم حذف بازگشتی ویژگی ها (Recursive Feature Elimination - RFE)، مجموعه ای از موثرترین ویژگی ها انتخاب گردید تا داده ها با ابعاد کمتر و کیفیت بالاتر برای مرحله ی بعد آماده شوند. این انتخاب هدفمند ویژگی ها منجر به کاهش پیچیدگی محاسبات و بهبود کارایی فرایند تشخیص می شود. در بخش دسته بندی، از خوشه بندی مبتنی بر چگالی DBSCAN به عنوان یک روش داده محور و بدون نیاز به فرض اولیه درباره ی شکل خوشه ها استفاده شده است. این رویکرد با تمرکز بر جداسازی نمونه های عادی از نمونه های مخرب در یک فضای دودویی (حمله/غیرحمله) توانسته است عملکرد بالایی در شناسایی الگوهای نفوذ از خود نشان دهد. نتایج تجربی بیانگر آن است که دقت ۹۹.۳۴ درصد به دست آمده در این چارچوب، بهبود چشمگیری نسبت به بسیاری از پژوهش های پیشین داشته و اثربخشی بالای ترکیب RFE و خوشه بندی مبتنی بر چگالی در تشخیص حملات سایبری را تایید می کند.

کلیدواژه ها:

شناسایی حملات ، اینترنت اشیا ، حذف بازگشتی ویژگی ها ، خوشه بندی مبتنی بر چگالی DBSCAN