یک سامانه تشخیص نفوذ ترکیبی برای شبکه های اینترنت اشیای مبتنی بر RPL با بهره گیری از مدل های درخت تصمیم و CNN-BiLSTM

پروتکل مسیریابی برای شبکه های کم مصرف و پراتلاف (RPL:Routing Protocol for Low-Power and Lossy Networks) به عنوان استانداردی رایج در مسیریابی شبکه های اینترنت اشیاء شناخته شده و به طور گسترده ای در این شبکه ها استفاده می شود. با این حال، آسیب پذیری این پروتکل در برابر حملات سایبری، تهدیدی جدی محسوب می شود. روش های سنتی تشخیص نفوذ، به دلیل پیچیدگی محاسباتی و مصرف بالای منابع، دستگاه های اینترنت اشیاء مناسب نیستند. در این پژوهش، یک سامانه تشخیص نفوذ دو لایه ای سبک وزن برای شناسایی و طبقه بندی حملات در شبکه های اینترنت اشیاء مبتنی بر RPL ارائه شده است. در لایه اول، از یک مدل درخت تصمیم برای شناسایی وقوع حمله استفاده می شود که ضمن سرعت بالا، نیاز به منابع محاسباتی اندکی دارد. در لایه دوم، برای طبقه بندی دقیق نوع حمله، از ترکیبی از شبکه عصبی کانولوشنی و حافظه بلند-کوتاه مدت دوطرفه (CNN-BiLSTM) بهره گرفته شده است. این ترکیب، توانایی استخراج خودکار ویژگی های عمیق از داده های ترافیک شبکه و یادگیری وابستگی های زمانی و الگوهای پیچیده حملات را دارد.نتایج آزمایش ها بر روی مجموعه داده ROUT-۴-۲۰۲۲۳ با چهار حمله متداول RPL شامل سیاه چاله، سیل آسا، شماره نسخه و کاهش رتبه نشان می دهد که روش پیشنهادی با صحت کلی ۹۷% و مقادیر دقت، بازخوانی و امتیاز F۱ حدود ۹۶%، عملکرد بهتری نسبت به روش های موجود دارد. زمان شناسایی حمله نیز به حدود ۰.۰۶۲ ثانیه دست یافته است. نتایج به دست آمده، کارایی مناسب و سرعت بالای سامانه پیشنهادی را در محیط های اینترنت اشیاء مبتنی بر RPL نشان می دهد.

کلیدواژه ها:

تشخیص نفوذ ، اینترنت اشیاء (IoT) ، امنیت اینترنت اشیاء ، مدل سبک وزن تشخیص نفوذ ، معماری امنیتی لایه ای.