تشخیص نفوذ در ترافیک اینترنت اشیا مبتنی بر خط لوله پیش پردازش ترکیبی و مدل CNN-LSTM بهینه شده با بیزی

افزایش تعداد دستگاه های اینترنت اشیا و تنوع ترافیک تولیدشده توسط آن ها، تشخیص نفوذ در این محیط ها را به یکی از مسائل مهم امنیت شبکه تبدیل کرده است. بسیاری از روش های تشخیص نفوذ، تمرکز اصلی خود را بر طراحی مدل های یادگیری ماشین یا یادگیری عمیق قرار می دهند؛ با این حال، کیفیت داده ورودی، وجود مقادیر نامعتبر، داده های پرت، ویژگی های زائد، نویز و عدم توازن کلاس ها می تواند اثر قابل توجهی بر عملکرد نهایی مدل داشته باشد. در این پژوهش، یک روش تشخیص نفوذ با عنوان BO-HPP-CNN-LSTM-IDS ارائه می شود که بر ترکیب یک خط لوله پیش پردازش ترکیبی با مدل CNN-LSTM تکیه دارد. روش پیشنهادی شامل پاک سازی ویژگی های عددی، مدیریت مقادیر گمشده دسته ای، تبدیل مسئله به طبقه بندی دودویی normal/attack، نمونه برداری ۵ درصدی متوازن، کدگذاری one-hot، حذف ویژگی های هم بسته، انتخاب ویژگی بر اساس واریانس، نرمال سازی z-score، حذف داده های پرت با Isolation Forest، متعادل سازی با SMOTE و پاک سازی نهایی با Tomek Links، ENN و فیلتر نویز است. پس از اجرای این pipeline، داده خام شامل ۴۶۱٬۰۴۳ نمونه و ۴۵ ستون به مجموعه ای شامل ۴۲٬۰۹۰ نمونه و ۳۵ ویژگی تبدیل شد. مدل CNN-LSTM نهایی با هایپرپارامترهای استخراج شده از اجرای پیشین Bayesian Optimization آموزش داده شد و با اعتبارسنجی متقاطع ۵-Fold ارزیابی گردید. نتایج نشان داد که روش پیشنهادی در تنظیمات آزمایش حاضر به Accuracy برابر ۹۶٫۹۷٪، F۱-Score برابر ۰٫۹۷۰، AUC برابر ۰٫۹۹۶ و Recall برابر ۰٫۹۸۶ رسیده است. این نتایج نشان می دهد که آماده سازی دقیق داده، همراه با مدل ترکیبی CNN-LSTM، می تواند عملکرد مناسبی در تشخیص دودویی نفوذ در ترافیک اینترنت اشیا فراهم کند. با این حال، تعمیم نتایج به سایر دیتاست ها، سناریوهای چندکلاسه و محیط های عملیاتی نیازمند ارزیابی های تکمیلی است.

کلیدواژه ها:

تشخیص نفوذ ، اینترنت اشیا ، پیش پردازش ترکیبی ، CNN-LSTM ، SMOTE