تعیین فضای ویژگی های بهینه درشناسایی اتصال های مخرب در اینترنت اشیا

این پژوهش با هدف بهبود تشخیص نفوذ در شبکه های اینترنت اشیاء (IOT). برای این منظور، سه دیتاست معتبر شامل UNSW-NB15 ، ToN-IOT و IOT23 مورد استفاده قرار گرفت. چالش های اصلی این دیتاست ها شامل عدم تعادل کلاس ها ، نشت داده و بیش برازش است. در این مطالعه، سه الگوریتم XGBoost ، LightGBM ، CatBoost پیاده سازی و مقایسه شدند.به منظور افزایش کارایی و کاهش پیچیدگی محاسباتی، فرآیند انتخاب ویژگی به کمک رویکرد ترکیبی مبتنی بر هوش جمعی برای استخراج 20 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 . نتایج آزمایش ها نشان داد که در دیتاست UNSW-NB15، مدل XGBoost با 20 ویژگی منتخب و بهینه سازی توانست به دقت 95.43 % ، Precision برابر 96.87% ، Recall برابر 95.93% و F1-Score برابر 96.40% برسد. این در حالی است که نسخه ی بدون بهینه یازی با تمام ویژگی ها با دقت 94.8% و F1_score 95.93 % داشتیم که نشان از پیشرفت مدل با 20 ویژگی است .. این مطالعه همچنین با مرور تحقیقات مرتبط 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 ، XGBoost ، Optuna ، داده های نامتوازن