Intrusion detection system for IoT application based on supervised learning

Nesnelerin İnterneti (IoT) son yıllarda önemli ölçüde gelişti ve bir kişinin günlük rutinini izleyebilen, toplanan verileri çalmak veya değiştirmek veya sistem işlevlerini bozmak için güvenlik açığından yararlanan bilgisayar korsanlarını cezbeden ticari ve kişisel uygulamaların geliştirilmesi. Bilgisayar korsanlarının IoT cihazlarını tehlikeye atmasını önlemek için, saldırganların kullanabileceği kötü amaçlı davranışları belirlemek ve kategorize etmek için ağ trafiğini yakalayan ve inceleyen bir yöntem geliştirmek önemlidir. Bu nedenle, bu çalışma IoT ağ trafiğinin normal mi yoksa potansiyel olarak anormal mi olduğunu belirlemek için tasarlanmış yeni bir IoT saldırı tespit sistemi kullanır. Algoritma ayrıca ağ trafiğinin muhtemelen anormal olduğu düşünülürse anormallik türünü de belirler. Önerilen sistemin performansı, her paket için 83 farklı özellik içeren 625.783 IoT ağ trafiği paketinden oluşan IoTID20 adlı bir veri kümesi seçildikten sonra test edildi. Veri kümesi üç sınıfa ayrılmıştır. İlk sınıf (Sınıf I), ağ trafiğini normal veya potansiyel anormallik paketlerine sınıflandırır. İkinci sınıf (Sınıf II), her anormal ağ trafiğini dört ana sınıfa ayırır: 1. Mirai saldırıları. 2. Hizmet reddi saldırıları (DoS), 3. Tarama. 4. Ortadaki adam (MITM). Üçüncü sınıf (Sınıf III), anormal ağ trafiğini ana sınıfların alt sınıflarına ayırır. Bir IoT ağ paketinin sınıfını tanımlamak için, bu sistem dört ana aşamadan geçer: 1. Özellik Ön İşleme. 2. Özellik seçimi. 3. Hiperparametre optimizasyonu. 4. Sınıflandırma. Özellik ön işleme aşamasında, önerilen sistem otomatik olarak özellik kimliği sütununu ve boş satır değerlerini kaldırır ve işe yaramaz özellik dağılımlarını işler. Bu nedenle, her IoT ağ trafiğini temsil edecek belirgin özellikleri bulmak için, özellik çıkarma adımı korelasyon katsayısı, parçacık sürüsü optimizasyonu (PSO) ve gri kurt optimizasyonunu (GWO) kullanır. Bu adımda, sırasıyla Kategori 1, Kategori 2 ve Kategori 3 için ağ trafiğini temsil etmek üzere 17, 16 ve 22 numaralı özellikler seçilir. Ek olarak, bu aşamada, sistemimizin sınırlı bilgi işlem kaynaklarını tüketmesine neden olan tüm özellik seçimi algoritmalarından seçilen ortak özellikler oldukları için dört özellik seçilir. Sondan bir önceki aşamada, önerilen sistemin etkinliğini artırmak için bir Koronavirüs Sürü Bağışıklığı Optimizasyonu (CHIO) kullanılarak Karar Ağacı (DT) hiperparametresi belirlenir. Son olarak, IoT ağ trafiği üç aşamada bir karar ağacı algoritması kullanılarak sınıflandırılır. İlk aşamada normal veya anormal olarak sınıflandırılır. Bir anormallik durumunda, sistem ikinci ve üçüncü aşamalarda anormalliğin ana ve alt kategorilerini belirler. Önerilen sistemimizi eğitmek ve test etmek için birçok makine öğrenme tekniği kullanılır; ancak, karar ağacı diğer makine öğrenme algoritmalarından daha iyi performans gösterir ve Aşama 1, 2 ve 3 için sırasıyla %99,96, %99,56 ve %77,6 doğruluk elde eder.