مدل تشخیص نفوذ در خانه های هوشمند مبتنی بر تحلیل مولفه اصلی و دسته بندی جنگل تصادفی

در سال های اخیر، مساله حفظ امنیت خانه های هوشمند که در آن، تعداد زیادی از وسایل برای برقراری ارتباط از اتصالات اینترنت استفاده می کنند به یکی از دغدغه های اصلی در حوزه امنیت شبکه تبدیل شده است. اگرچه تاکنون پژوهش های زیادی در جهت برقراری امنیت خانه های هوشمند انجام شده است، اما با توجه به گستردگی موضوع مورد بحث، اغلب این کارها در مواردی از جمله دقت و سرعت عمل، کارآیی لازم را ندارند. در روش پیشنهادی پس از انجام برخی عملیات پیش پردازش روی مجموعه داده، به کمک تحلیل مولفه اصلی (PCA)، زیرمجموعه ای از ویژگی های مجموعه داده که به عنوان موثرترین ویژگی ها در تشخیص نفوذ به شمار می آیند برای آماده سازی داده ها جهت دسته بندی انتخاب شده اند که این عمل منجر به افزایش دقت و سرعت عمل دسته بندی می شود. همچنین در مرحله دسته بندی از الگوریتم جنگل تصادفی که یک الگوریتم قدرتمند مبتنی بر یادگیری ماشین است بر روی یک مجموعه داده بسیار جدید اینترنت اشیا، به نام IoTID۲۰ استفاده شده است. رویکرد پیشنهادی عملکرد بالایی برای تشخیص نفوذ با دقت %۹۹.۷۳ و %۹۸.۴۶ برای دسته بندی حملات دودویی و چند کلاسه نشان داده است. مقایسه نتایج روش پیشنهادی با سایر کارهای انجام شده، نشان دهنده برتری روش پیشنهادی در تشخیص حملات چند کلاسه است.

مدل تشخیص نفوذ در خانه های هوشمند مبتنی بر تحلیل مولفه اصلی و دسته بندی جنگل تصادفی Keywords:

خانه هوشمند , تشخیص نفوذ , تحلیل مولفه اصلی , الگوریتم جنگل تصادفی , مجموعه داده IoTID۲۰