تشخیص نفوذ در اینترنت اشیا با استفاده از رگرسیون لجستیک و بیز ساده گاوسی

امروزه تشخیص نفوذ در محیط اینترنت اشیا به یک موضوع مهم تحقیقاتی در حوزه ی امنیت شبکه تبدیل شده است و تاکنون محققان زیادی بر روی این موضوع تمرکز کرده اند. با وجود ارائه راه حل های مختلف تشخیص نفوذ برای تشخیص حملات در بستر اینترنت اشیاء، تشخیص با دقت بالا در طبقه بندی چندکلاسه و بعضا دودویی مجموعه داده ها یکی از چالش های اساسی پیش روی تحقیقات کنونی محسوب می شود. در این مقاله برای مقابله با مساله ی بیان شده پس از نرمال سازی داده ها با استفاده از الگوریتم خوشه بندی k-means در مرحله ی اول اقدام به حذف ویژگی های بی اثر یا کم اثر با استفاده از رگرسیون لجستیک می کنیم تا تمرکز طبقه بندی را برای تشخیص حملات افزایش دهیم. در ادامه در دو شکل دودویی و چندکلاسه عمل تشخیص و طبقه بندی داده ها را با استفاده از الگوریتم بیز ساده گاوسی انجام می دهیم. نتایج آزمایش ها بر روی دو مجموعه داده ی UNSWNB۱۵ و CICDS۲۰۱۷ نشان می دهد که استفاده از دو الگوریتم یادگیری ماشین ذکر شده می تواند در هر دو نوع طبقه بندی دودویی و چندکلاسه منجر به دقت بالای تشخیص حملات شود.

کلیدواژه ها:

الگوریتم خوشه بندی k-means ، رگرسیون لجستیک ، بیز ساده گاوسی ، تشخیص نفوذ ، اینترنت اشیا