تشخیص هوشمند حملات سایبری در اینترنت اشیا با استفاده از یادگیری ماشین در لبه شبکه

با گسترش سریع اینترنت اشیا (IoT) و افزایش تعداد دستگاه های متصل، تشخیص تهدیدات سایبری در این محیط ها به یک چالش اساسی در امنیت دیجیتال تبدیل شده است. دستگاه های IoT معمولا دارای محدودیت منابع پردازشی، حافظه و انرژی هستند و انتقال تمام داده ها به مراکز رایانش ابری، تاخیر بالا و کاهش سرعت پاسخ دهی را به همراه دارد. این پژوهش با بهره گیری از معماری رایانش لبه (Edge Computing)، فرآیند تشخیص نفوذ را به نزدیکی منبع تولید داده منتقل می کند تا ضمن کاهش تاخیر، امنیت بلادرنگ فراهم شود.

برای ارزیابی مدل پیشنهادی، از مجموعه داده استاندارد BoT-IoT (تولیدشده توسط دانشگاه UNSW استرالیا) استفاده شده است. این مجموعه داده شامل ترافیک عادی و انواع حملات سایبری نظیر DDoS، DoS، Botnet، Port Scanning و Keylogging است. پس از انجام مراحل پیش پردازش شامل پاک سازی داده ها، نرمال سازی (Min-Max)، تبدیل داده های غیرعددی (Label Encoding)، انتخاب ویژگی مبتنی بر Random Forest و متعادل سازی داده ها (SMOTE و Random Undersampling)، پنج الگوریتم یادگیری ماشین شامل درخت تصمیم، ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN)، شبکه عصبی مصنوعی (ANN) و جنگل تصادفی (Random Forest) مورد ارزیابی قرار گرفتند.

نتایج تجربی نشان می دهد که الگوریتم Random Forest با دقت ۹۸.۲ درصد، نرخ خطای مثبت کاذب ۱.۹ درصد و زمان پاسخ ۴۸ میلی ثانیه در محیط لبه، بهترین عملکرد را در میان الگوریتم های بررسی شده دارد. در مقایسه، زمان پاسخ در معماری ابری ۴۲۰ میلی ثانیه و در معماری مه ۱۷۰ میلی ثانیه اندازه گیری شد که برتری چشمگیر رایانش لبه را نشان می دهد. همچنین مدل پیشنهادی بدون نیاز به GPU و با مصرف حافظه محدود، قابلیت استقرار روی گره های لبه با منابع کم را دارد.

یافته های این پژوهش تایید می کند که ترکیب یادگیری ماشین با رایانش لبه، رویکردی کارآمد برای تشخیص هوشمند حملات سایبری در محیط های اینترنت اشیا است و می تواند ضمن افزایش دقت تشخیص، سرعت واکنش به تهدیدات را به طور قابل توجهی بهبود بخشد. این رویکرد برای کاربردهای بلادرنگ و حساس به زمان در حوزه های صنعتی، پزشکی و شهرهای هوشمند بسیار مناسب است.

کلمات کلیدی: اینترنت اشیا (IoT)، رایانش لبه (Edge Computing)، امنیت شبکه، سیستم تشخیص نفوذ (IDS)، جنگل تصادفی (Random Forest)، دیتاست BoT-IoT.