تشخیص نفوذ در اینترنت اشیاء مبتنی بر شبکه عصبی MLP با بهره گیری از GAN و اعتبارسنجی متقاطع ۵-فولدی

زمینه : اینترنت اشیا (IoT) با رشد سریع دستگاه های متصل (بیش از ۷۵ میلیارد تا سال ۲۰۲۵) و کاربردهای گسترده در خانه های هوشمند، شهرهای هوشمند، و صنعت ۴.۰، با چالش های امنیتی جدی مانند حملات DDoS، بدافزارها، و نفوذ غیرمجاز مواجه است. مجموعه داده ToN-IoT، توسعه یافته توسط دانشگاه UNSW Canberra، با شبیه سازی حملات واقعی و تنوع ویژگی ها (مانند src_bytes و proto)، معیاری استاندارد برای ارزیابی سیستم های تشخیص نفوذ (IDS) ارائه می دهد. روش های سنتی مانند SVM به دلیل نرخ خطای مثبت کاذب بالا و ناتوانی در مدل سازی الگوهای پیچیده، برای IoT ناکارآمدند .هدف: این پژوهش با هدف طراحی یک سیستم تشخیص نفوذ مبتنی بر شبکه عصبی چندلایه ای (MLP) برای مجموعه داده ToN-IoT انجام شد تا با دقت بالا (>۹۴%)، نرخ خطای پایین، و سازگاری با سخت افزار محدود (۸ گیگابایت رم و سی پی یو ۲.۵ گیگاهرتزی)، امنیت شبکه های IoT را بهبود بخشد.روش پژوهش: این پژوهش از نمونه برداری ۵۰ درصدی برای کاهش داده ها به ۲۸۸,۱۵۳ نمونه، افزایش داده کلاس حمله با شبکه مولد تقابلی (GAN) برای تولید ۵۷,۶۳۱ نمونه مصنوعی، انتخاب ۳۵ ویژگی با آستانه واریانس برای کاهش پیچیدگی، و بهینه سازی بیزی هایپرپارامترها (نرخ یادگیری ۰.۰۰۳۷۵۶۶، Dropout ۰.۴۰۰۶) استفاده کرد. معماری MLP با لایه های ۱۲۸-۶۴-۳۲، نرمال سازی دسته ای، Dropout، L۲ Regularization (۰.۰۱)، و Early Stopping (Patience=۱۰) طراحی شد.یافته ها: اعتبارسنجی ۵-فولدی نشان داد: دقت میانگین ۹۴.۱۷%، AUC ۰.۹۳۲، MCC ۰.۸۷۹، Precision ۹۲.۷۷%، Recall ۹۷.۹۲%، و F۱-Score ۹۵.۲۸%. نرخ خطای مثبت کاذب (FP=۲۶۳۸) و تفاوت ۲-۳% بین دقت آموزشی (تا ۹۶%) و اعتبارسنجی (۹۴%) مدیریت موفق بیش برازش را تایید می کند.نتیجه گیری: این روش با دقت بالا، نرخ خطای پایین، و کارایی محاسباتی، برای تشخیص نفوذ در محیط های IoT با منابع محدود مناسب است و نسبت به روش های پیشین مانند LSTM و CNN-LSTM برتری دارد.

کلیدواژه ها:

تشخیص نفوذ در اینترنت اشیا ، اینترنت اشیا ، بهینه سازی بیزی ، بیش برازش ، شبکه عصبی MLP ، شبکه مولد تقابلی