استفاده از ویژگی های یادگیری عمیق برای بهبود تشخیص نفوذ در محیط اینترنت اشیا

امروزه، ویژگی‌های کاربردی محیط اینترنت اشیا باعث شده تا استفاده از آن روز به روز بیشتر شود. از طرفی، گسترش شبکه‌های اینترنت اشیا، احتمال بروز حملات به این محیط را افزایش داده است. از این‌رو، محققان زیادی سعی در بهبود امنیت این سیستم‌ها نموده‌اند. با این حال، عدم آزمایش روش‌های ارائه شده بر روی مجموعه داده‌ها با ابعاد و مشخصات متفاوت و همچنین پایین بودن نرخ برخی معیارهای ارزیابی کارآیی، تحقیق در این زمینه را به امری ضروری تبدیل کرده است. در این مقاله، با استفاده از الگوریتم یادگیری عمیق موسوم به نقشه خودسازمان‌دهی، ابعاد غیر ضروری در مجموعه داده کنار گذاشته شده تا در مرحله دسته‌بندی که با الگوریتم تابع پایه شعاعی صورت گرفته، نتایج بهتری از دسته‌بندی داده‌ها به‌دست آید. نتایج آزمایش روی دو مجموعه داده cicids2017 و iotid20 با مشخصات آماری مختلف از جمله دقت 0.999 و 0.996 برای دسته‌بندی دودویی و دقت 0.995 و 0.994 برای دسته‌بندی چند کلاسه نشان می‌دهد که روش پیشنهادی می‌تواند گزینه مناسبی برای تشخیص نفوذ در محیط اینترت اشیا باشد.

using deep learning features to improve intrusion detection in the internet of things environment

today, the applicable features of the internet of things environment have caused its use to increase day by day. on the other hand, the expansion of internet of things networks has increased the possibility of attacks on this environment. therefore, many researchers have tried to improve the security of these systems. however, the lack of testing the presented methods on datasets with different dimensions and characteristics, as well as the low rate of some efficiency evaluation criteria, has made research in this field necessary. in this paper, the unnecessary dimensions in the dataset have been removed by using the deep learning algorithm known as the self-organizing map, so that in the classification stage, which is done with the radial basis function networks, better results of data classification are obtained. the test results on cicids2017 and iotid20 datasets with different statistical characteristics including accuracy of 0.999 and 0.996 for binary classification and accuracy of 0.995 and 0.994 for multi-class classification show that the proposed method can be a suitable option for detecting intrusions in the internet of things environment.