الگوریتم های طبقه بندی یادگیری ماشین جهت شناسایی نفوذ در شبکه های اینترنت اشیاء

با گسترش سریع اینترنت اشیا و افزایش تعداد دستگاه های متصل، امنیت شبکه های مبتنی بر IoT به یکی از چالش های اساسی در حوزه ی فناوری اطلاعات تبدیل شده است. ماهیت ناهمگون، منابع محدود و تنوع بالای الگوهای ترافیکی در این شبکه ها، استفاده از روش های سنتی تشخیص نفوذ را با محدودیت های جدی مواجه کرده است. در این پژوهش، یک چارچوب مبتنی بر یادگیری ماشین برای تشخیص نفوذ در شبکه های اینترنت اشیا ارائه شده است که بر روی مجموعه داده ی به روز و جامع CICIoT۲۰۲۳ ارزیابی شده است. در مرحله ی نخست، داده ها تحت پیش پردازش مناسب شامل کدگذاری برچسب ها، مقیاس بندی ویژگی ها و تحلیل توزیع کلاس ها قرار گرفتند. سپس عملکرد الگوریتم های پایه شامل KNN و SVM مورد بررسی و مقایسه قرار گرفت. در ادامه، مدل CatBoost به عنوان یک روش قدرتمند مبتنی بر درخت های تصمیم انتخاب و پیاده سازی شد و نتایج نشان داد که این مدل دقت بسیار بالاتری نسبت به مدل های پایه ارائه می دهد. علاوه بر این، الگوریتم بهینه سازی ازدحام ذرات (PSO) برای تنظیم ابرپارامترهای CatBoost به کار گرفته شد تا تعادلی میان دقت و زمان اجرا ایجاد شود. نتایج تجربی نشان می دهد که اگرچه استفاده از PSO در تنظیمات محدود منجر به کاهش جزئی دقت نهایی شد، اما زمان آموزش به طور قابل توجهی کاهش یافت که این موضوع برای کاربردهای عملی در محیط های واقعی IoT اهمیت بالایی دارد.

کلیدواژه ها:

تشخیص نفوذ ، اینترنت اشیا ، یادگیری ماشین ، CatBoost ، بهینه سازی ازدحام ذرات.