تشخیص حملات LDoS در اینترنت اشیا مبتنی بر یادگیری عمیق سبک وزن و هوش مصنوعی تفسیرپذیر (XAI)

گسترش روزافزون شبکه های اینترنت اشیا، باوجود ارتقای کارایی و هوشمندی زیرساخت های نوین، راه را برای نفوذ تهدیدات سایبری پیچیده ای همچون حملات LDoS هموار کرده است. این حملات باتکیه بر ترافیک ناچیز و ماهیت پنهان خود، به آسانی از سد سیستم های دفاعی سنتی عبور کرده و ثبات شبکه را به خطر می اندازند. ازسوی دیگر، هرچند مدل های یادگیری عمیق در شناسایی این تهدیدات موفق ظاهر شده اند، اما ساختار غیرشفاف و اصطلاحا جعبه سیاه آن ها باعث شده تا متخصصان امنیت نتوانند در محیط های حساس عملیاتی به این سیستم ها اعتماد کنند. در همین راستا، این پژوهش باهدف ایجاد تعادل میان دقت بالا و شفافیت در تصمیم گیری، چارچوبی مبتنی بر معماری یادگیری عمیق ارائه می دهد. در روش پیشنهادی، با بهره گیری از مجموعه داده ی معتبر CIC-IoT-۲۰۲۳، ترافیک عادی شبکه از حملات مخربی نظیر سیلاب های UDP و ICMP به صورت هوشمند تفکیک شده است. همچنین، برای رفع ابهام از نتایج و افزایش سطح اطمینان، الگوریتم SHAP به عنوان ابزار تفسیرپذیری هوش مصنوعی به کار گرفته شد. یافته های حاصل از شبیه سازی نشان می دهد که این مدل توانسته در فرایند طبقه بندی به دقت ۴۸/۹۷ درصد دست یابد. افزون بر این، تحلیل های خروجی SHAP به روشنی ثابت کرد که مدل در تشخیص نفوذ، بر ویژگی های کاملا منطقی و معنادار تمرکز دارد؛ به طوری که متغیرهایی مانند ack_flag_number و پروتکل های TCP و UDP به عنوان کلیدی ترین شاخص های شناسایی حمله مشخص شدند. درمجموع، دستاوردهای این پژوهش تایید می کند که استفاده از هوش مصنوعی تفسیرپذیر (XAI)، نه تنها کارایی مدل های عمیق را در شبکه های حساس اینترنت اشیا تضمین می کند، بلکه با ارائه دلایل مستدل برای هر هشدار امنیتی، فاصله ی میان ماشین و تحلیلگر انسانی را پرکرده و امنیت زیرساخت های حیاتی را به طور پایداری تقویت می نماید.

کلیدواژه ها:

اینترنت اشیا ، سیستم تشخیص نفوذ ، یادگیری عمیق ، هوش مصنوعی تفسیرپذیر ، حملات LdoS