IoT مبتنی بر یادگیری ماشین برای ایجاد سیستم تشخیص نفوذ برای امنیت
چکیده
ارتباطات دیجیتال با چهارچوب ارتباطی موثر برای به اشتراک گذاری و انتقال اطلاعات ایجاد شده است. سیستم فیزیکی-سایبری (CPS) چهارچوبی است که با تجهیزات الکترونیکی ادغام شده است که خدمات را از طریق یک چهارچوب دیجیتالی ممکن می کنند. چالش های قابل ملاحظه این سیستم عبارتند از مسائل امنیتی، ناهنجاری و نقص در سرویس. بنابراین، نیاز به یک سیستم کارآمد است که بتواند بر این مشکلات غلبه کند. این مقاله این مشکلات را تحلیل می کند و الگویی را از لحاظ ارتباطات پیشرفته، خصوصاً چهارچوب خانه هوشمند مطلع از انرژی (EASH) پیشنهاد می کند. با این کار، مسئله نواقص ارتباطی و انواع حملات شبکه در EASH تحلیل می شود. با استفاده از روش یادگیری ماشین، منابع ناهنجاری الگوی ارتباطی مشخص می شوند. به منظور ارزیابی عملکرد، کار پیشنهادی را بر اساس دقت، عملکرد و کارایی اش تحلیل می‌کنیم. بنابراین ما نتایج بهتری را به دست می آوریم، خصوصاً که نتیجه میزان دقت 85 درصد را نشان می دهد. در آینده، ما سعی می کنیم میزان دقت بالایی را برای توسعه بیشتر ارائه دهیم.
مقدمه
پیشرفت در فناوری نوین، امکان برقراری ارتباطات کارآمد را در هر زمینه ای فراهم می کند، خصوصاً سیستم سایبری-فیزیکی یک چهارچوب جدید برای ارائه بستری بهتر به منظور به اشتراک گذاری و انتقال اطلاعات از یک سمت به سمت دیگر، از طریق کانال های ارتباطی مختلف است. این فناوری باعث پیشرفت در بسترهای انتقال ارتباطات می شود؛ بنابراین، توسعه اقتصادی بسیار خوبی ایجاد می شود. با این حال، امنیت و انعطاف پذیری همچنان چالش برانگیز هستند و باید برای فرآیندهای ارتقای امنیت در نظر گرفته شوند. دو عامل قابل توجه [1] از خرابی ارتباطات، امنیت و خرابی قطعات هستند. هکرها یا مزاحمان، فعالیت های مخربی را در سیستم CPS انجام می دهند که این امر در جوامع جدید، بسیار زیاد و فراگیر است. از این رو، نقص امنیتی ناشی از رفتارهای غیرعادی سیستم یک موضوع جدی است؛ با این حال، پیامدهای این سیستم ها مشابه سایر سیستم ها نیست. بنابراین، هدف از توسعه فناوری جدید، مقابله با این مسائل از نظر به حداقل رساندن حملات، ارائه خدمات امنیتی و حفاظت از خدمات موجود با کنترل رفتارهای غیرعادی است. در این فرایند، تعیین پارامتر، وظیفه پیچیده فرایند تفکیک است که نیاز به تحقیق بر روی سیستم CPS بر اساس اجزای خاص آن دارد [2-3]، قبل از اینکه با یک راهکار کلی نگر ترکیب شود.
نتیجه گیری
این مقاله یافته هایی را در مورد تفکیک کار بین ناهنجاری های مؤثر بر هر سیستم ارائه می دهد. ناهنجاری هایی که در این مقاله مورد بحث قرار می گیرند ممکن است حمله به داده ها یا حملات به شبکه باشند. رابطه بین نوع ناهنجاری و تأثیر آن بر اپراتور تفکیک کانال ارتباطی سیستم مورد مطالعه قرار گرفته و به خوبی تعیین شده است. این روابط برای ML مبتنی بر روش برای طبقه بندی تفکیک استفاده می شوند. نتایج نشان داد که استفاده از الگوریتم های یادگیری ماشین نظارت شده، یک راهکار موثر با تفکیک بین دسته آسیب دیده و نیرومند با دقت زیاد است. طبقه بندی نادرست حالات با تأثیر یکسان بر شبکه و سپس تحلیل، چه در تنظیمات تجربی (شبیه سازی و آزمایش بلادرنگ)، برای دو دسته از ناهنجاری ها و ویژگی های به خوبی مورد بررسی قرار گرفت. تحلیل ما نشان می دهد که نتایج رتبه بندی را می‌توان با افزودن یا حذف ویژگی ها از مجموعه داده توصیفی بهبود بخشید.
Abstract
Digital communication is provided with an effective communication platform to share and transfer information. The emergence of the Cyber-Physical System (CPS) is a platform incorporated with electronic devices that enables the services through a digital platform. The considerable challenges of this system are security issues, abnormality, and service failure. Hence, the requirement of providing an effective system, which should be overcome these issues. This paper analyzes these problems and providing the paradigm in terms of enhanced communication paradigm, specifically propose Energy Aware Smart Home (EASH) framework. With this work, the problem in communication failures and types of network attacks are analyzed in EASH. With the utilization of the machine learning technique, the abnormality sources of the communication paradigm are differentiated. To evaluate the performance, we analyze the proposed work based on its accuracy, performance, and efficiency. Hence, we obtain better results especially the result shows an 85% accuracy rate. In the future, we try to enhance a high accuracy rate for further development.
Introduction
The advancement in modern technology enables effective communication to every field, in specific the Cyber-Physical System is a novel platform to provide a better platform to share and transfer information from one end to another via the different communicational channel. This technology enables advancement in communication transferring platforms; therefore, the development of the economy is reached a high destination. However, security and resiliency is still challenging and should be considered for security enhancement processes. The two considerable factors [1] of communication failure are security and component failures. The hackers or intruders enable malicious activity towards the CPS system; meanwhile, the development of it is tremendous and omnipresent in modern societies. Hence, security failure is a serious topic due to the abnormal behaviors of the system; however, the implications of these are not the same as other systems. Therefore, the development of new technology is to tackle these issues in terms of minimizing the attacks, providing security service, and protecting existing services by controlling abnormal behaviors. In this process, the parameter specification is the complex task of differentiation which needs the research on the CPS system based on its specific components [2-3], before incorporating with a holistic strategy.
Conclusion
This article provides findings on the differentiation of labor between the anomalies affecting each system. Anomalies that are discussed in this paper may attack data or network attacks. The relationship between the type of anomaly and its impact on the system communication channel differentiation operator was studied and well-appointed. They are used for the approach based ML for classification of differentiation. The outcomes indicated the utilization of algorithms in the supervised machine learning was a positive methodology by separate between the harmed class and forceful with a serious extent of precision. The incorrect classification of cases with the same impact on the network and then analyzed, either in experimental settings (real-time simulation and testing), good for two classes of anomalies and characteristics examined. Our analysis shows that the ranking results can be further improved by adding or removing attributes from the dataset descriptive.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
مقدمه
مرور مقالات
چهارچوب پیشنهادی مبتنی بر ML
الگوریتم های دسته بندی ML (یادگیری ماشین)
مرور مختصر روش های دسته بندی ML
الگوریتم های دسته بندی منتخب
پرسپترون چندلایه (MLP)
رگرسیون منطقی چند جمله ای (MLG)
پارامترهای اجرایی الگوریتم های منتخب
معیارهای ارزیابی
شبیه سازی، اجرا و نتایج
پیاده سازی و نتایج بستر آزمایش
تحلیل نتایج دسته بندی
تحلیل تشابه دسته های ناهنجاری
شبیه سازی و بستر آزمایش
تحلیل مبتنی بر مشخصه (ویژگی)
شبیه سازی شده
بستر آزمایش
نتیجه گیری
منابع
ABSTRACT
Introduction
Literature review
ML classification algorithms
Proposed ML-based framework
A brief overview of ML classification approaches
Selected classification algorithms
Multilayer perceptron (MLP)
Multinomial logistic regression (MLG)
Selected algorithms execution parameters
Evaluation metrics
Simulation implementation & results
Testbed implementation & results
Classification results analysis
Similarity analysis of abnormality classes
Simulation and testbed
Feature-based analysis
Simulated
Testbed
Conclusion
References
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه