Makine öğrenimini kullanarak saldırı tespit sistemi

Bu çalışma, Nesnelerin İnterneti'nin (IoT) hızla büyüyen alanı içindeki İzinsiz Giriş Tespit Sistemleri (IDS) alanını ele almaktadır. Güçlü bir güvenlik modeli için bulut, ağ ve ana bilgisayar katmanlarını birleştiren ağ saldırı tespit sistemleri (NIDS), ana bilgisayar saldırı tespit sistemleri (HIDS) ve bulut saldırı tespit sistemleri dahil olmak üzere birincil IDS türlerinin kapsamlı bir incelemesi gerçekleştirilir. . Ek olarak imza tabanlı algılama, anormallik tabanlı algılama ve durum bilgisi olan protokol analizi gibi yaygın algılama teknikleri eleştirel bir şekilde değerlendirilir. Bu çalışmanın ana katkısı, IDS performansını önemli ölçüde artırmak için Rastgele Orman algoritmasının gücünü Çift Yönlü Uzun Kısa Süreli Belleğin (BI-LSTM) dizi anlama yetenekleriyle birleştiren yenilikçi bir hibrit makine öğrenme modelinin geliştirilmesi ve uygulanmasıdır. Genellikle alt kümeye dayalı bir yaklaşım kullanan önceki çalışmaların aksine, bu araştırma, Bot-IoT veri kümesinin tamamını kullanarak hibrit modeli titizlikle test etti. Bu çalışma aynı zamanda, izinsiz giriş tespiti için ortaya çıkan zorluklara odaklanarak IoT güvenliğinin karmaşık ortamının ayrıntılı bir analizini de içermektedir. Bu, hibrit makine öğrenimi modelini seçme bağlamını sağlar. Etkileyici bir şekilde, Bot-IoT veri kümesinin tamamına uygulandığında model, geleneksel IDS modellerinden önemli ölçüde daha iyi performans göstererek %100 doğruluk oranı sergiledi. Bu araştırma, IoT güvenliği alanına değerli bilgiler sunmakta ve kapsamlı ve doğru saldırı tespit sistemleri geliştirmeye yönelik etkili bir yol önermektedir. Hibrit modelin Bot-IoT veri kümesinin tamamını kullanmadaki başarısı, sağlamlığını ve uyarlanabilirliğini ortaya koyuyor ve bu da onu giderek birbirine bağlanan dijital bir dünyada IoT ağlarının güvenliğini sağlamak için potansiyel bir anahtar çözüm haline getiriyor