تشخیص حملات انکار سرویس توزیع‌شده مبتنی بر بات‌نت در دستگاه‌های اینترنت اشیاء با استفاده از شبکه‌های عصبی عمیق

با رشد چشمگیر فناوری اینترنت اشیاء و اتصال گسترده‌ی دستگاه‌ها در بسترهای هوشمند، مسائل مرتبط با امنیت سایبری نیز با پیچیدگی و تنوع بیشتری مواجه شده‌اند. یکی از تهدیدات جدی در این حوزه، حملات انکار سرویس توزیع‌شده مبتنی بر بات‌نت است که با اشباع ترافیک شبکه، موجب اختلال در عملکرد سرویس‌های حیاتی می‌گردد. در این پژوهش، مدلی مبتنی بر شبکه عصبی عمیق به‌منظور تشخیص خودکار حملات انکار سرویس توزیع‌شده در محیط اینترنت اشیاء توسعه‌یافته است. برای این منظور، از یک مجموعه داده واقعی شامل نمونه‌های ترافیک نرمال و حملات بات‌نت استفاده‌شده است. داده‌ها پس از مراحل پیش‌پردازش شامل حذف ویژگی‌های زائد، نرمال‌سازی مقادیر عددی و برچسب‌گذاری دودویی (نرمال/حمله)، وارد فرآیند آموزش شدند. ساختار مدل پیشنهادی بر اساس پرسپترون چندلایه طراحی گردید. ارزیابی مدل با استفاده از معیارهای کلاسیک شامل دقت، بازخوانی، دقت پیش‌بینی و امتیاز f1 صورت گرفت که همگی نشان‌دهنده‌ی عملکرد دقیق و پایدار مدل در تفکیک بین ترافیک نرمال و حمله بودند. همچنین تحلیل ماتریس اغتشاش و رسم منحنی مشخصه عملکرد گیرنده و شاخص مساحت زیر منحنی عملکرد مدل را از منظر نرخ مثبت صحیح و نرخ مثبت کاذب بررسی نموده و نشان داد که مدل توانایی بالایی در تشخیص نمونه‌های حمله با حداقل خطا دارد. نتایج حاصله نشان می‌دهد که استفاده از شبکه‌های عصبی عمیق، به‌ویژه در قالب ساختار پرستپرون چندلایه، می‌تواند راهکاری موثر، سریع و قابل پیاده‌سازی برای تشخیص حملات سایبری در زیرساخت‌های اینترنت اشیاء باشد؛ به‌ویژه در شرایطی که نیاز به پاسخ بلادرنگ و استفاده از منابع محاسباتی محدود وجود دارد.

detecting botnet-based distributed denial-of-service attacks on iot devices using deep neural networks

abstract with the significant growth of iot technology and the widespread connectivity of devices in smart platforms, cybersecurity issues have also become more complex and diverse. one of the serious threats in this area is botnet-based distributed denial-of-service attacks, which disrupt the performance of critical services by saturating network traffic. in this study, a deep neural network-based model is developed to automatically detect distributed denial-of-service attacks in the iot environment. for this purpose, a real dataset including normal traffic samples and botnet attacks was used. the data entered the training process after preprocessing steps including removing redundant features, normalizing numerical values, and binary labeling (normal/attack). the proposed model structure was designed based on a multilayer perceptron. the model was evaluated using classical criteria including accuracy, recall, prediction accuracy, and f1 score, all of which indicated the accurate and stable performance of the model in distinguishing between normal traffic and attack. also, the analysis of the disturbance matrix and the plotting of the receiver operating characteristic curve and the area under the curve index examined the performance of the model in terms of true positive rate and false positive rate and showed that the model has a high ability to detect attack samples with minimal error. the results show that the use of deep neural networks, especially in the form of a multilayer perceptron structure, can be an effective, fast and implementable solution for detecting cyber attacks in internet of things infrastructures; especially in situations where there is a need for real-time response and the use of limited computing resources.