Design of advanced anomaly detection system based on hybrid machine learning technique with optimized feature selection in wireless sensor network

Şu anda, Kablosuz Sensör Ağı (WSN), çok sayıda sensör düğümüne dayalı olarak çalışan kablosuz iletişim sisteminde önemli bir rol oynamaktadır. WSN'nin geliştirilmesi daha popüler hale geldi ve çok yönlülüğün doğası daha fazla güvenlik endişesine yol açtı ve içindeki anormalliği önlemeyi zorlaştırdı. WSN'deki temel ve zorlu görevlerden biri güvenlik endişesidir. Ağda bulunan anormalliği tespit etmek, WSN'nin güvenliğini sağlamak için en büyük zorluk haline gelir. Genel olarak, WSN'ler, düğümlerin hasar görmesine ve yanlış tespit oluşturmasına neden olan farklı bir tehdit türünden etkilenir. Bu nedenle, yanlış alarmı en aza indirmek için anormalliği belirlemek gerekir. Dahası, sensör düğümleri tarafından toplanan verilerin kalitesi, okuma hataları, kötü niyetli saldırılar, arızalar ve olağandışı olaylar gibi farklı nedenlerle üretilen anormalliklerden esas olarak etkilenir. Bu nedenle, kararlar almak için kullanılmadan önce sensör verilerinin kalitesini sağlamak için anormallik tespitini işlemek önemlidir. WSN'de, anormallik tespiti, anormalliği veya olağandışı olayı belirlemek için önemli bir işlemdir. Ancak, zamanında anomali tanımlaması, gerçek zamanlı olarak güvenilir bir şekilde yürütülmesi için daha karmaşıktır. WSN'de güvenli ve güvenilir bir işlem için etkili anomali tespiti daha gereklidir. Ancak, standart anomali tespit teknikleri genellikle verilerin gizliliğini yeterince güvence altına almada ve WSN'deki karmaşık, belirli ve benzersiz ihlalleri tespit etmede başarısız olur. Ayrıca, mevcut anomali tespit modelleri yalnızca sabit ortamda işlem yapar ve tüm eğitim verilerini düğümde tutması gerekir. Bu sınırlamaları gidermek için, WSN'deki anomalilerin varlığını etkili bir şekilde tespit etmek için yeni bir Hibrit Makine Öğrenme Tekniği (HMLT) tanıtılmıştır. Gelişmiş hibrit teknik, tespit performansını artırmak ve gizliliği korumak için tasarlanmıştır. Başlangıçta, WSN'den gerekli veriler mevcut veri kaynağından toplanır. Ayrıca, ham verilerden önemli özellik, optimum özellik seçimi süreci kullanılarak seçilir. Burada, optimum özellik seçimini elde etmek için Secretary Bird Optimizasyon Algoritması (SBOA) kullanılır. Son olarak, HMLT, hibrit sınıflandırıcının Derin İnanç Ağı (DBN) ile Bayes Öğrenme (BL) kombinasyonu olduğu tespit görevini gerçekleştirmek için uygulanır. Model, belirli bir veri kümesi için HMLT kullanılarak WSN'deki anomalilerin oluşumunu belirlemek için özel olarak geliştirilmiştir. Tasarlanan yaklaşımın geleneksel modelle birlikte tespit yeteneğini analiz etmek için kapsamlı karşılaştırmalı analiz gerçekleştirilir. Ortaya çıkan sonuç, önerilen yaklaşımın anomaliyi tespit etmede diğer standart modellerden daha iyi performans gösterdiğini tanımlar.