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

در سال‌های اخیر، مسئلة حفظ امنیت خانه‌های هوشمند که در آن، تعداد زیادی از وسایل برای برقراری ارتباط از اتصالات اینترنت استفاده می‌کنند به یکی از دغدغه‌های اصلی در حوزة امنیت شبکه تبدیل شده است. اگرچه تاکنون پژوهش‌های زیادی در جهت برقراری امنیت خانه‌های هوشمند انجام شده است، اما باتوجه‌به گستردگی موضوع موردبحث، اغلب این کارها در مواردی از جمله دقت و سرعت عمل، کار آیی لازم را ندارند. در روش پیشنهادی پس از انجام برخی عملیات پیش‌پردازش روی مجموعه‌داده، به کمک تحلیل مولفة اصلی (pca)، زیرمجموعه‌ای از ویژگی‌های مجموعه‌داده که به‌عنوان موثرترین ویژگی‌ها در تشخیص نفوذ به شمار می - آیند برای آماده‌سازی داده‌ها جهت دسته‌بندی انتخاب شده‌اند که این عمل منجر به افزایش دقت و سرعت عمل دسته‌بندی می‌شود. همچنین در مرحلة دسته‌بندی از الگوریتم جنگل تصادفی که یک الگوریتم قدرتمند مبتنی بر یادگیری ماشین است بر روی یک مجموعه‌دادة بسیار جدید اینترنت اشیا، به نام iotid20 استفاده شده است. رویکرد پیشنهادی عملکرد بالایی برای تشخیص نفوذ بادقت %99.73 و %98.46 برای دسته‌بندی حملات دودویی و چند کلاسه نشان داده است. مقایسه‌ی نتایج روش پیشنهادی با سایر کارهای انجام شده، نشان دهنده‌ی برتری روش پیشنهادی در تشخیص حملات چند کلاسه است.

smart home intrusion detection model based on principal component analysis and random forest classification

in recent years, the problem of maintaining the security of smart homes, where a large number of devices use internet connections to communicate, has become one of the main concerns in the field of network security. although a lot of research has been done to establish the security of smart homes, but considering the scope of the topic under discussion, most of these works do not have the necessary efficiency in terms of accuracy and speed of operation. in the proposed method, after performing some pre-processing operations on the dataset, with the help of principal component analysis (pca), a subset of the features of the dataset are selected to prepare the data for classification, which are the most effective features in intrusion detection. it is considered that this action leads to an increase in the accuracy and speed of the classification action. also, in the classification stage, the random forest algorithm, which is a powerful algorithm based on machine learning, has been used on a very new dataset of the internet of things, called iotid20. the proposed approach has shown high performance for intrusion detection with an accuracy of 99.73% and 98.46% for the classification of binary and multi-class attacks. comparing the results of the proposed method with other works, it shows the superiority of the proposed method in detecting multi-class attacks.