تعیین فضای ویژگی های بهینه در شناسایی اتصال های مخرب در اینترنت اشیا (IOT)

این پژوهش با هدف بهبود تشخیص نفوذ در شبکه های اینترنت اشیاء (IoT) و مقابله با تهدیدات نوظهور همچون حملات روز صفر [۷] انجام شده است. برای این منظور، سه دیتاست معتبر شامل UNSW-NB۱۵ [۲]، ToN-IoT و IoT۲۳ [۱۴] مورد استفاده قرار گرفت. چالش های اصلی این دیتاست ها شامل عدم تعادل کلاس ها [۸]، نشت داده و بیش برازش [۳,۴] است. در این مطالعه، چهار الگوریتم XGBoost [۹]، LightGBM [۱۱]، CatBoost [۱۰] و شبکه عصبی چندلایه (MLP) [۱۲] پیاده سازی و مقایسه شدند. به منظور افزایش کارایی و کاهش پیچیدگی محاسباتی، فرآیند انتخاب ویژگی به کمک رویکرد ترکیبی مبتنی بر هوش جمعی [۱۶,۱۸,۱۹] برای استخراج ۲۰ ویژگی منتخب انجام شد. سپس بهینه سازی فراپارامترها به کمک Optuna پیاده سازی گردید که منجر به بهبود قابل توجه عملکرد در برخی سناریوها شد [۶]. نتایج آزمایش ها نشان داد که در دیتاست UNSW-NB۱۵، مدل XGBoost با ۲۰ ویژگی منتخب و بهینه سازی توانست به دقت ۹۵.۴۳ %، Precision برابر ۹۶.۸۷%، Recall برابر ۹۵.۹۳% و F۱-Score برابر ۹۶.۴۰% برسد. این در حالی است که نسخه ی بدون بهینه سازی با تمام ویژگی ها با دقت ۹۴.۸% و F۱-Score ۹۵.۹۳ % داشتیم که نشان از پیشرفت مدل با ۲۰ ویژگی است. در دیتاست ToN-IoT، مدل ها به دقت بالای ۹۹% برسند [۸,۳۶]. برای ارزیابی مدل ها، از معیارهایی مانند Accuracy، Precision، Recall، F۱-Score، AUC-ROC و AUC-PR استفاده شد [۱,۵,۲۰]. علاوه بر این، تحلیل ویژگی ها و مقایسه وزن آن ها، شواهدی از اثرگذاری قابل توجه برخی ویژگی ها در ایجاد نشت داده ارائه کرد [۱۳,۱۴,۱۷]. این مطالعه همچنین با مرور تحقیقات مرتبط [۷,۸,۱۴,۱۵,۱۶,۱۸,۱۹,۲۰,۲۱] و مقایسه نتایج، برتری نسبی چارچوب پیشنهادی را در شروط داده ای متعادل و بدون نشت تایید کرد.

کلیدواژه ها:

تشخیص نفوذ ، اینترنت اشیاء ، انتخاب ویژگی ، MLP ، XGBoost ، CatBoost ، LightGBM