تشخیص حمله در سنسورهای IoT با استفاده از روشهای یادگیری ماشین

حمله و تشخیص ناهنجاری در زیرساخت های اینترنت اشیا (IoT) نگرانی رو به رشدی در حوزه IoT است. با افزایش استفاده از زیرساخت IoT در هر مسیر ، تهدیدها و حملات در این زیرساخت ها نیز بطور متناسب در حال رشد هستند. استفاده از خدمات ، جستجوی نوع داده ها ، کنترل مشکوک ، عملکرد مخرب ، اسکن ، جاسوسی و تنظیمات اشتباه چنین حملات و ناهنجاری هایی هستند که می توانند باعث خرابی سیستم IoT شوند. در این مقاله ، عملکرد چندین مدل یادگیری ماشین برای پیش بینی حملات و ناهنجاری ها بر روی سیستم های IoT با دقت مقایسه شده است. الگوریتم های یادگیری ماشین (ML) که در اینجا مورد استفاده قرار گرفته عبارتند از: لجستیک (رگرسیون) ، ماشین بردار پشتیبانی (SVM) ، درخت تصمیم (DT) ، جنگل تصادفی (RF) و شبکه عصبی مصنوعی .(ANN) معیارهای ارزیابی مورد استفاده در مقایسه عملکرد ، دقت ، فراخوان ، نمره f1 و مساحت زیر منحنی مشخصه عملیاتی گیرنده است. این سیستم 99,4٪ دقت آزمایش را برای تصمیم گیری درخت ، جنگل تصادفی و ANN به دست آورد. اگرچه این تکنیک ها از دقت و صحت یکسانی برخوردار هستند ، اما معیارهای دیگر ثابت می کنند که الگوریتم جنگل تصادفی عملکردنسبتا بهتری دارد.

Keywords:

اینترنت اشیاء , یادگیری ماشین , امنیت سایبری , تشخیص حمله.