طراحی یک سامانه تشخیص نفوذ برای سامانه های ارتباطی وسایل نقلیه هوشمند با هدف ارتقای امنیت سایبری

با گسترش وسایل نقلیه هوشمند و افزایش استفاده از سامانه های ارتباطی اینترنتی و بی سیم، تهدیدات سایبری به یکی از چالش های اساسی در تضمین ایمنی و قابلیت اطمینان این سامانه ها تبدیل شده است. ازاین رو، تشخیص به موقع نفوذ و شناسایی ترافیک مخرب در بسترهای ارتباطی خودروهای هوشمند از اهمیت ویژه ای برخوردار است. در این پژوهش، یک رویکرد برپایه یادگیری ماشین برای تشخیص نفوذ در سامانه های ارتباطی وسایل نقلیه هوشمند ارائه شد که در آن از الگوریتم جنگل تصادفی به عنوان طبقه بندی کننده و از الگوریتم فراابتکاری مگس میوه به منظور انتخاب بهینه زیرمجموعه ویژگی ها استفاده شد. هدف اصلی پژوهش، افزایش دقت تشخیص حملات سایبری و بهبود پایداری عملکرد سامانه تشخیص نفوذ با حفظ پیچیدگی محاسباتی مناسب بود. برای ارزیابی روش پیشنهادی، از مجموعه داده استاندارد AWID شامل ترافیک نرمال و انواع حملات رایج در شبکه های بی سیم استفاده شده و داده ها پس از پیش پردازش به مجموعه های آموزش و آزمون با نسبت ۷۰ به ۳۰ تقسیم شدند. نتایج شبیه سازی نشان داد که روش پیشنهادی به میانگین دقت تشخیص ۹۹/۵۰% دست یافته و در مقایسه با مدل پایه جنگل تصادفی، عملکرد بهتری را در تشخیص حملات سایبری ارائه داد. این نتایج بیانگر کارایی رویکرد پیشنهادی در ارتقای امنیت سامانه های ارتباطی وسایل نقلیه هوشمند است.

کلیدواژه ها:

وسایل نقلیه هوشمند ، شبکه های بی سیم ، الگوریتم فراابتکاری ، یادگیری ماشین ، تهدیدات سایبری