تشخیص هوشمند حملات سایبری در اکوسیستم اینترنت اشیا (IoT): تحلیل تطبیقی مدل های گرادیان بوستینگ بر روی کلان داده های ترافیک شبکه

با رشد انفجاری اینترنت اشیا (IoT) و ادغام آن در زیرساخت های حیاتی نظیر شهرهای هوشمند، سلامت الکترونیک و صنایع نسل ۴، سطح حمله برای تهدیدات سایبری به شدت گسترش یافته است. ماهیت ناهمگن دستگاه های IoT و محدودیت های پردازشی آن ها، استفاده از سیستم های تشخیص نفوذ (IDS) سنتی و مبتنی بر امضا را ناکارآمد ساخته است. این پژوهش با هدف توسعه یک مکانیزم تشخیص نفوذ سبک و دقیق مبتنی بر یادگیری ماشین انجام شده است. در این راستا، ابتدا مرور جامعی بر ادبیات موضوع در بازه زمانی ۲۰۲۰ تا ۲۰۲۴ صورت گرفت و رویکردهای نوین نظیر یادگیری عمیق ترکیبی و یادگیری فدرال مورد بررسی قرار گرفتند. سپس، با استفاده از مجموعه داده معتبر و مدرن Bot-IoT که ترافیک واقعی و حملات بات نت را شبیه سازی می کند، دو الگوریتم پیشرفته "XGBoost" و "LightGBM" پیاده سازی و ارزیابی شدند. نتایج تجربی نشان داد که مدل XGBoost با دستیابی به دقت ۹۹٪ و امتیاز F۱ برابر با ۱.۰۰ در تمامی کلاس های حمله (شامل DDoS، DoS، شناسایی و سرقت داده)، عملکردی خیره کننده و پایدار از خود نشان می دهد. این در حالی است که مدل LightGBM با وجود سرعت بالا، در مواجهه با داده های نامتوازن (کلاس سرقت داده) دچار افت شدید عملکرد شد (دقت کلی ۷۶٪). همچنین، تحلیل اهمیت ویژگی ها نشان داد که ویژگی های مرتبط با پروتکل های لایه انتقال و کاربرد، نظیر "نوع پرس وجوی DNS" و "پرچم های TCP"، نقش حیاتی در تفکیک ترافیک مخرب دارند. این مطالعه اثبات می کند که مدل های مبتنی بر درخت تصمیم بهینه شده، جایگزینی مناسب و کم هزینه برای مدل های سنگین یادگیری عمیق در لبه های شبکه IoT هستند.

کلیدواژه ها:

امنیت اینترنت اشیا ، تشخیص نفوذ ، یادگیری ماشین ، XGBoost ، LightGBM ، مجموعه داده Bot-IoT