یک روش دو لایه تشخیص حملات مبتنی بر بات نتها به شبکه با استفاده از کلاسبندییادگیری ماشین

بات نتها را میتوان یک چالش مهم و اساسی برای امنیت شبکه اینترنت اشیاء در نظر گرفت. باتنت ها گره های آلوده به بدافزار با ویروسبوده و نقش آنها حمله هماهنگ به کمک سایر باتنت ها به سرویسهای شبکه در لایه ابر محاسباتی میباشد. برای تشخیص حملات بات نتنیاز به روشهای طبقه بندی و مبتنی بر یادگیری ماشین مانند شبکه عصبی مصنوعی است. چالش شبکه عصبی مصنوعی چند لایه برایتشخیص ترافیک بات نتها آن است که این ترافیک تعداد زیادی ویژگی دارد و وجود تعداد زیادی ویژگی باعث میشود روش یادگیریمانند شبکه عصبی روی ویژگیهای اصلی متمرکز شود و خطای یادگیری افزایش داده شود. در این پژوهش برای کاهش دادن خطای شبکهعصبی در تشخیص بات نت و حملات مرتبط با آنها از نسخه باینری الگوریتم بهینه سازی وال استفاده شده است. در لایه اول روشپیشنهادی، کاهش ابعاد با انتخاب ویژگی انجام شده و در لایه دوم، طبقه بندی با شبکه عصبی مصنوعی برای تحلیل ترافیک شبکه انجاممیشود. ارزیابیها در نرم افزار متلب نشان میدهد دقت، حساسیت و صحت روش پیشنهادی در تشخیص بات نت، به ترتیب برابر برابر%۳۳.۳۹، %۳۳.۲۱ و %۳۳.۳۲ است. روش پیشنهادی نسبت به روشهای یادگیری عمیق نظیر IDCS-CNN که دقتی برابر %۳۳.۳ دارد،توانایی بیشتری در تشخیص حملات دارد و همچنین روش پیشنهادی نسبت به روشهای انتخاب ویژگی مبتنی بر الگوریتمهای فراابتکاری نظیر الگوریتم GA، PSO، ACO و MVO دارای دقت بیشتری در تشخیص حمالت به شبکه است.

Keywords:

شبکه اینترنت اشیاء , بات نت , حمالت DDoS , انتخاب ویژگی , الگوریتم بهینه سازی وال