دوره 21، شماره 3 - ( 10-1403 )
جلد 21 شماره 3 صفحات 22-3 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Teymouri A, Deypir M. Two-level intrusion detection system for Internet of Things network based on deep learning. JSDP 2024; 21 (3) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1388-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1388-fa.html
تیموری احمد، دی پیر محمود. سامانه دو سطحی تشخیص نفوذ برای شبکه اینترنت اشیا مبتنی بر یادگیری عمیق. پردازش علائم و داده‌ها. 1403; 21 (3) :3-22
دانشیار دانشکده مهندسی کامپیوتر، دانشگاه هوایی شهید ستاری، تهران
چکیده: (748 مشاهده)
به موازات رشد استفاده از شبکه‌های اینترنت اشیا برای کاربردهای مختلف، تهدیدات و حملات مربوط به این نوع شبکه‌ها نیز افزایش پیدا کرده‌است. سامانه‌های تشخیص نفوذ به منظور تشخیص و شناسایی حملات در این‌گونه شبکه‌ها طراحی و مورد استفاده قرار می‌گیرند و اقدام به شناسایی خرابکاری‌ها و نفوذها و یا سوءاستفاده‌هایی که از شبکه قرار است صورت بگیرد، کرده و این موضوع را به اطلاع مسئول مربوطه شبکه می‌رسانند. در بیشتر سامانه‌های تشخیص نفوذ، روش‌ها و الگوریتم‌های مختلفی از جمله الگوریتم‌های مبتنی بر یادگیری ماشین و یادگیری عمیق استفاده می‌شود که هر کدام دارای مزایا و معایبی هستند، اما به طور معمول نسبت به روش‌های ترکیبی نرخ صحت کمتری دارند. در سال‌های اخیر در تشخیص مبتنی بر ناهنجاری از ایده ترکیب طبقه‌بندها استفاده شد‌ه‌است. ما در این پژوهش، برای افزایش سرعت الگوریتم در شناسایی و دستیابی به نرخ درستی و صحت بالاتر از ترکیب روش‌های تحلیل مؤلفه اصلی یا PCA)) و شبکه‌های عصبی پیچشی(CNN) برای طراحی سامانه تشخیص نفوذ پیشنهادی خود استفاده کرده‌ایم؛ از PCA به منظور کاهش ابعاد و حجم دادههای ورودی بهره بردیم تا به افزایش کارایی الگوریتم اصلی ما کمک کند و داده جدید تولیدشده با این الگوریتم در اختیار طبقه‌بند CNN قرار میگیرد؛ همچنین ما از دو سطح از دسته‌بندی مبتنی بر شبکه عصبی عمیق پیچشی دودویی و چندکلاسه برای شناسایی حملات بهره بردیم. به این صورت که ابتدا حملات و دادههای نرمال به‌وسیله طبقه‌بند عمیق دودویی از هم جداسازی می‌شوند؛ سپس به‌وسیله طبقه‌بند عمیق چندکلاسه به شناسایی و تفکیک نوع حملات صورت‌گرفته پرداخته شده و دسته‌بندی حملات صورت میگیرد. بر اساس نتایج آزمایش‌های انجام‌شده روی دادههای واقعی حملات، شاهد رشد نرخ صحت و درستی روش پیشنهادی نسبت به بسیاری از روش‌های مطرح دیگر بوده‌ایم.
شماره‌ی مقاله: 1
واژه‌های کلیدی: سامانه تشخیص نفوذ، شبکه عصبی پیچشی، طبقه‌بند دودویی، طبقه‌بند چندکلاسه، تحلیل مؤلفه‌های اصلی
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه امنیت اطلاعات
دریافت: 1402/4/30 | پذیرش: 1403/5/28 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
دریافت: 1402/4/30 | پذیرش: 1403/5/28 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
فهرست منابع
1. S. Prabavathy, K. Sundarakantham, and S. M. Shalinie. "Design of cognitive fog computing for intrusion detection in internet of things,", vol. 20, no. 3, pp. 291-298, 2018. [DOI:10.1109/JCN.2018.000041]
2. P. Kasinathan, C. Pastrone, M. A. Spirito, and M. Vinkovits. "Denial-of-Service detection in 6LoWPAN based Internet of Things,", pp. 600-607, 2013 [DOI:10.1109/WiMOB.2013.6673419]
3. G. Appice, A. Paolo Caforio, F. Andresini, & D. Malerba, "Improving cyber-threat detection by moving the boundary around the normal samples. In Machine Intelligence and Big Data Analytics for Cybersecurity Applications," pp. 105-127, 2021. [DOI:10.1007/978-3-030-57024-8_5]
4. S. Hajj, R. El Sibai, J. Bou Abdo, J. Demerjian, A. Makhoul, & C. Guyeux, "Anomaly‐based intrusion detection systems: The requirements, methods, measurements, and datasets. Transactions on Emerging Telecommunications Technologies", 32(4), e4240, 2021. [DOI:10.1002/ett.4240]
5. M. Nobakht, V. Sivaraman, and R. Boreli, "A host-based intrusion detection and mitigation framework for smart home IoT using OpenFlow," 11th International conference on availability, reliability and security (ARES), pp. 147-156, 2016. [DOI:10.1109/ARES.2016.64]
6. H. Bostani and M. Sheikhan, "Hybrid of anomaly-based and specification-based IDS for Internet of Things using unsupervised OPF based on MapReduce approach," Computer Communications, vol. 98, pp. 52-71, 2017. [DOI:10.1016/j.comcom.2016.12.001]
7. M. Lopez-Martin, B. Carro, A. Sanchez-Esguevillas, and J. Lloret. "Conditional variational autoencoder for prediction and feature recovery applied to intrusion detection in iot," Sensors, vol. 17, no. 9, p. 1967, 2017. [DOI:10.3390/s17091967] [PMID] []
8. S. Rathore and J. H. Park, "Semi-supervised learning based distributed attack detection framework for IoT," Applied Soft Computing, vol. 72, pp. 79-89, 2018. [DOI:10.1016/j.asoc.2018.05.049]
9. Diro and N. Chilamkurti. "Distributed attack detection scheme using deep learning approach for Internet of Things," Future Generation Computer Systems, vol. 82, pp. 761-768, 2018. [DOI:10.1016/j.future.2017.08.043]
10. V. Kumari and P. R. K. Varma. "A semi-supervised intrusion detection system using active learning SVM and fuzzy c-means clustering," in 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC), pp. 481-485, 2017. [DOI:10.1109/I-SMAC.2017.8058397]
11. Z. K. Zhang, M. C. Y. Cho, C.-W. Wang, C.-W. Hsu, C.-K. Chen, and S. Shieh. "IoT security: ongoing challenges and research opportunities," in 2014 IEEE 7th international conference on service-oriented computing and applications, pp. 230-234, 2014. [DOI:10.1109/SOCA.2014.58]
12. M. Cheema, H. K. Qureshi, C. Chrysostomou, & M. Lestas, "Utilizing blockchain for distributed machine learning based intrusion detection in internet of things." In 2020 16th International Conference on Distributed Computing in Sensor Systems pp. 429-435, 2020. [DOI:10.1109/DCOSS49796.2020.00074]
13. T. Hagemann, & Katsarou, K. A systematic "review on anomaly detection for cloud computing environments. In 2020 3rd Artificial Intelligence and Cloud Computing Conference." pp. 83-96, 2020. [DOI:10.1145/3442536.3442550]
14. AbuGhazleh, A. Al-Rahayfeh, S. Atiewi, and A. Razaque. "Deep recurrent neural network for IoT intrusion detection system," Simulation Modelling Practice and Theory, vol. 101, pp. 10203, 2020. [DOI:10.1016/j.simpat.2019.102031]
15. Dhanabsl, S.P. Shantharajah, "A Study on NSL-KDD Dataset for Intrusion Detection System Based on Classification Algorithms." PP. 2319-5940, 2015.
16. Mackiewicz, and W. ratajczak, "Principal components analysis(PCA)" pp. 0098-3004, 1993. [DOI:10.1016/0098-3004(93)90090-R]
17. S. Indolia, A. K. Goswami, S. P. Mishra, and P. Asopa, "Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach" pp. 10-1016, 2018. [DOI:10.1016/j.procs.2018.05.069]
18. S. Raza, L. Wallgren, and T. Voigt. "SVELTE: Real-time intrusion detection in the Internet of Things," Ad hoc networks, vol. 11, no. 8, pp. 2661-2674, 2013. [DOI:10.1016/j.adhoc.2013.04.014]
19. Jun and C. Chi. "Design of complex event-processing IDS in internet of things," in 2014 Sixth International Conference on Measuring Technology and Mechatronics Automation, pp. 226-229, 2014. [DOI:10.1109/ICMTMA.2014.57] [PMID]
20. T. S. Naseri, and F. S. Gharehchopogh, "A Feature Selection Based on the Farmland Fertility Algorithm for Improved Intrusion Detection Systems". Journal of Network and Systems Management, 30(3), pp. 1-27, 2022. [DOI:10.1007/s10922-022-09653-9]
21. S. K. Amalapuram, A.Tadwai, , R.Vinta, , S. S.Channappayya, and B. R. Tamma, "Continual Learning for Anomaly based Network Intrusion Detection". In 2022 14th International Conference on COMmunication Systems & NETworkS (COMSNETS), pp. 497-505, 2022. [DOI:10.1109/COMSNETS53615.2022.9668482]
22. D.Teixeira, , S. Malta, , and P.Pinto, "A Vote-Based Architecture to Generate Classified Datasets and Improve Performance of Intrusion Detection Systems Based on Supervised Learning". Future Internet, 14(3), 72, 2022. [DOI:10.3390/fi14030072]
23. E. Gharavi, H. Veisi, "Using RST-based deep neural networks to improve text representation", Signal and Data Processing, 20 (1), pp. 181-197, 2023. [DOI:10.61186/jsdp.20.1.181]
24. S. Abbasi, S. Nejatian, H. Parvin, K. Bagherifard, V. Rezaie, "The ensemble clustering with maximize diversity using evolutionary optimization algorithms", Signal and Data Processing, 19 (4), pp. 95-120, 2023. [DOI:10.61186/jsdp.19.4.95]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
