מאמר מחקר

מודל למידה עמוקה היברידי חדשני לזיהוי התקפות בסביבת IoT: רשת עצבית קונבולוציונית עם גישת טרנספורמר

DOI:

10.3791/68750

⸱

18 בנובמבר 2025

 , 
1Computer Science (FPA), Dada Lakhmi Chand State University of Performing and Visual Arts (DLCSUPVA), 2Faculty of Planning and Architecture, Dada Lakhmi Chand State University of Performing and Visual Arts (DLCSUPVA)

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר מציג מודל היברידי ללמידה עמוקה המשלב רשתות עצביות קונבולוציוניות (CNN) וטרנספורמרים לזיהוי התקפות בסביבות IoT. באמצעות מאגר הנתונים CIC-IoT-2023, המודל השיג מדדי ביצועים גבוהים: דיוק של 99.97% ואובדן של 0.0123, מה שמדגים את יעילותו בזיהוי תקיפות בזמן אמת.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ההתפתחות המהירה של מכשירי אינטרנט של הדברים (IoT) שיפרה את הקישוריות והנגישות. עם זאת, הקישוריות הגוברת בין סביבות אלו מציבה רמות איום חדשות, הדורשות זיהוי אנומליה חזק. במחקר זה מוצגת שיטת אבטחה חדשה המבוססת על למידה עמוקה כדי להפחית את האיומים הספציפיים הקשורים לרשתות האינטרנט של הדברים. הגישה המוצעת עושה שימוש ברשתות עצביות עמוקות כדי לנטר ביעילות דפוסי פעילות רשת ולזהות פגיעויות פוטנציאליות בתקשורת בזמן אמת. מודל היברידי של CNN-Transformer לזיהוי וסיווג התקפות ברשתות IoT מוצע במחקר זה. כדי ליצור ולבדוק גישה זו, ניתחנו את מאגר הנתונים CIC-IoT-2023, הכולל 33 סוגי איומי IoT שונים המפוזרים על פני 7 קטגוריות שונות. ממצאי הניסוי מראים כי המודל המוצע פועל מצוין, עם דיוק של 99.96%, זיכרון של 99.96%, ציון F1 של 99.96%, ודיוק של 99.97% עם אובדן של 0.0123. יתרה מזאת, המודל המוצע מנותח על בסיס זמן חישובי וצריכת משאבים, ומדגים את יעילותו בזיהוי וסיווג התקפות, עם מורכבות חישובית מינימלית תוך שמירה על דיוק גבוה.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

טכנולוגיית האינטרנט של הדברים התקדמה משמעותית בשנים האחרונות, ונכנסנו לעולם דיגיטלי מחובר מאוד. תעשיות רבות ושונות משתמשות כיום במכשירי אינטרנט של הדברים (IoT), כולל בריאות, פעילות חקלאית, תחבורה, תעופה וייצור1. מומחים ידועים צופים כי האינטרנט של הדברים (IoT) ויישומים קשורים ישפיעו משמעותית על הכלכלה העולמית עד 2025, עם השפעות שנתיות הנעות בין 3.9 טריליון דולר ל-11.1 טריליון דולר. מצד שני, קשיים חדשים הקשורים לאבטחה מתעוררים בעקבות החיבור המושלם הזה. ככל שמכשירי IoT התפתחו, הם הפכו לפגיעים יותר ויותר למתקפות סייבר, מה שהופך את הצורך למנוע גישה בלתי מורשית ומתקפות על מכשירים אלו. באווירה עם מגוון רחב של מכשירים, חלק מהגאדג'טים פגיעים יותר למתקפה מאחרים.3. לא רק שמכשירים אלה משפיעים על אבטחת מערכת האינטרנט של הדברים, אלא גם על ערוצי השידור שהם חלק מהמערכת, ואף עלולים לגרום לכשל של רשת השידור בחלקה או בכללותה. למידת מכונה (ML) ולמידה עמוקה (DL) הן שני ענפים של בינה מלאכותית (AI) ששיפרו משמעותית תחומים רבים, כגון מערכות בריאות4, ראיית מחשב5, תקשורתאלחוטית 6 ואבטחת רשת7. ההתקדמות הזו התאפשרה בזכות שיפור הטכנולוגיות שלהם. לגבי האינטרנט של הדברים, נהוג להקים מערכות זיהוי חדירות התבססות על למידה עמוקה ולמידת מכונה 4,5.

מערכת זיהוי החדירה המוצעת סורקת תעבורת רשת לאיתור זרמי נתונים חריגים ומעבדת חבילות, כולל מידע שנתפס לאחרונה. זה מאפשר למערכת לזהות התקפות חדשניות. נעשה שימוש בשתי גישות, מבוססות חתימה ומבוססות אנומליה, לזיהוי חדירות (חדירה). שיטה אחת לזיהוי חדירות שמבוססת על חתימות היא שמירה על בדיקות על תעבורת חבילות בתוך הרשת והשוואת הערכים שנמצאו לאלו שמסומנים כחתימות של התקפות ידועות. זה נעשה כדי לזהות פגיעויות ברשת. שיטות מבוססות אנומליות משמשות לזיהוי התקפות על ידי רישום פרמטרים של משתמש שמציגים סטייה מהפרמטרים הנחשבים לאותנטיים עבור המשתמשים. לכן, כדי לשפר את זיהוי התקפות, מחקר זה מציג מודל למידה עמוקה המשלב טרנספורמר עם רשת עצבית קונבולוציונית (CNN). כדי ליצור תת-קבוצות תכונות רב-מרחביות המאפשרות ייצוג לא ליניארי מקיף יותר, הנתונים המקוריים מומרת למספר תת-מרחבים באמצעות רכיב CNN במודל המוצע. לאחר מכן, אסוציאציות התכונות מסודרות, ותכונות עמוקות יותר, כמו תכונות מפורטות, מופקות באמצעות רכיב הטרנספורמר. בסופו של דבר, פונקציית הסופטמקס בונה קשרים בין תכונות לתוויות. הגישה המוצעת מראה ביצועים יוצאי דופן בזיהוי התקפות על ידי שילוב התכונות הטובות ביותר של גישת CNN ומודל הטרנספורמר.

להלן מודגשים היעדים העיקריים של מחקר זה: (i) בניית מסגרת מתקדמת לזיהוי אנומליות בהקשר של האינטרנט של הדברים. מסגרת זו מאפשרת לשפר את זיהוי המידע הזדוני שנוצר על ידי התקני אינטרנט של הדברים (IoT) הטרוגניים שנפרצו או נפרצו. (ii) המחקר מדגים שיטה יעילה לחילוץ מאפיינים רלוונטיים ממאגרי נתונים לזיהוי אנומליות המבוססות על IoT. כאשר מיושמים אותה על מכשירים אלו, טכניקה זו הופכת את זיהוי התקפות ליעיל יותר. (iii) לזיהוי התקפות, המאמר מציג מודל אדפטיבי המשתמש בטרנספורמרים ו-CNN. מודל זה שואף לזהות חדירות לסביבת האינטרנט של הדברים שמקורן ברשת. (iv) נעשה שימוש בטכניקת סיווג רב-מחלקותית לבדיקה ואימות המודל המוצע באמצעות מאגר האבטחה CIC-IoT23. באמצעות טכניקת סיווג רב-קטגורית, ההערכה מצליחה להבחין בין שבע התקפות שמופעלות על ידי בוטנטים של IoT לבין תעבורה בלתי מזיקה. (v) באמצעות מספר מאפיינים, הגישה המוצעת מושווית למתודולוגיות הנוכחיות. חקירת ההשוואה הזו מראה שהגישה המוצעת טובה ומוצלחת בזיהוי התקפות על האינטרנט של הדברים (IoT).

המודל ההיברידי המוצע של CNN-Transformer טוב יותר בהכללה ובעמידות משיטות IDS מסורתיות מבוססות חתימה ואנומליה 2,5, משום שהוא משלב חילוץ תכונות מרחבי עם תשומת לב זמנית. הוא מקבל דיוק וקריאות טובים יותר עם פחות הנדסת תכונות ידנית מאשר שיטות ML/DL מסורתיות 6,8. דגמים היברידיים מוקדמיםיותר מדגם 9,10 לא יכלו להסתגל לשינויים בזמן אמת. הגישה המוצעת פותרת זאת באמצעות ארכיטקטורה קלה ואופטימיזציה.

התחום המתרחב במהירות של ה-IoT ונושאי האבטחה הנלווים הוביל למחקרים משמעותיים לזיהוי חדירה. סקירת הספרות מתמקדת בעבודות מחקר מרכזיות ובתרומתיהן כדי לספק הבנה מעמיקה יותר של הפתרונות הנחשבים כיום למתקדמים.

מודל היברידי המשתמש בארכיטקטורת CNN-GRU אדפטיבית הוצע על ידי ננדנוואר וקטריה11 במטרה לזהות ולסווג התקפות בוטנט בסביבות אינטרנט תעשייתי של הדברים (IIoT).

עם ציון F1 של 98.59% ושיעור דיוק של 98.75% תוך שימוש במאגר הנתונים CIC-IoT2023, ג'וני ואח' הציעו מודל מבוסס LSTM שמצליח לחזות דפוסי התקפות סייבר. אסטרטגיית אנסמבל למידת מכונה הוצעה במחקרזה 8 כשיטת סיווג בינארית לזיהוי והשמדת נתונים שקריים ברשתות IoT. המודל עושה שימוש במערכת מכונות הגברת שיפוע כדי לזהות חריגות ולהפחתת התקפות יום אפס. המודל השיג דיוק של 98.27%. כמו כן, דיוק וזיכרון עומדים על 96.40% ו-95.70% בהתאמה, מה שהופך אותם למתאימים ליישומי IoT חיוניים. דה קלדס פיליו ואחרים.13 פיתחו מערכת היברידית לזיהוי חדירה (IDS) המשלבת IDS מבוסס-רשת ו-Host-Based Detection. מערכת תגובה לחדירה משולבת זו (IRS) מזהה ומונעת באופן יזום איומי יום אפס. המחבר השתמש גם במערכת למידה פדרטיבית מבוזרת לזיהוי אנומליות באמצעות למידה עמוקה. ההכשרה והזיהוי המאוחדים הללו עם למידה עמוקה משיגים דיוק זיהוי של 89.753% בתשתית IoT מבוזרת. Wang ואחרים הציגו כלי לזיהוי איומים בשם ThreatInsight, שהפחית את הצורך ביומני ביקורת מערכת. ThreatInsight מזהה ומייחס תוקפים באמצעות גישות מבוססות עובדות וסמנטיות. באמצעות הפקת דוחות ניתוח, הטכנולוגיה משפרת את יכולות הגילוי המוקדם במערכות הגנה על סייבר ומציעה ניתוח בזמן אמת.

Chai ואחרים.15 הציגו שיטת זיהוי תוכנות זדוניות באמצעות קונבולוציה דינמית לחילוץ תכונות ותכונות מחלקה באופן אדפטיבי. המחבר הציע פונקציית הפעלה דינמית המשתמשת בקורלציות מדגם כדי להפחית את השפעת מאפיינים לא רלוונטיים, בהתבסס על ניתוח דו-מגימה. המרחק בין דגימות השאילתות לאב-טיפוס מחושב באמצעות טכניקה מבוססת מטריקה לזיהוי מוצלח של תוכנות זדוניות. מבחינת ממצאים ניסיוניים, שיטה זו מראה שיפורים משמעותיים לעומת אלגוריתמים קיימים לזיהוי תוכנות זדוניות. שאה ואחרים מציגים מודל מערכת מונחה בינה מלאכותית שמטרתו לשפר את אבטחת ה-IoT על ידי זיהוי משתמשים זדוניים באמצעות סיווג בינארי ושימוש בטכנולוגיית בלוקצ'יין לאחסון נתונים מאובטח. הוא מתמודד עם ניצול פוטנציאלי של חוזים חכמים בבלוקצ'יין על ידי יישום אלגוריתמים ללמידה עמוקה לסיווג, ובסופו של דבר מספק מסגרת אבטחה מקיפה המוערכת באמצעות מדדי ביצועים שונים.

לואו ואח' הציגו מערכת חדשנית ליישומי אינטרנט של הדברים (IoT), EDL-WADS, הכוללת ארבעה מודולים: מודול למידת תכונות לייצוג בקשות URL, מודול למידה עמוקה עם שלושה מודלים לייצוג מגוון של בקשות URL, מודול החלטה לשילוב תוצאות מודלים באמצעות מסווג אנסמבל, ומודול כיוונון עדין לעדכונים בזמן אמת. EDL-WADS ניצח מודלים בסיסיים עם דיוק של 99.47%, שיעור חיובי אמיתי של 99.29%, דיוק של 99.70% ושיעור חיוביות שגוי של 0.0033 בבדיקות על מערכי נתונים מגוונים. המגבלות כללו את המיקוד של המערכת בהזרקת SQL ובזיהוי סקריפטים חוצה אתרים, וכן את הביצועים החלשים של מודל CNN.

טיאן ואח' הציגו שיטה מבוזרת מבוססת למידה עמוקה לזיהוי התקפות ברשת על ידי בדיקת כתובות URL. המערכת מוצבת על מכשירי קצה, ומתוכננת לזהות איומי רשת. שני מודלים עמוקים מקבילים שימשו לביצוע ניסויים על המערכת, והמערכת הושוותה למערכות קיימות באמצעות מגוון מאגרי נתונים. המערכת תחרותית בזיהוי התקפות רשת עם דיוק של 99.410%, 98.91% TPR, ושיעור זיהוי של 99.55% בקשות רגילות.

צ'אי ואח' 19 הציעו את MalFSCIL, מסגרת חדשנית המשתמשת בגישת אימון מנותקת עם אוטואנקודר וריאציוני להפחתת שכחה קטסטרופלית ובטכניקת סימון גבולות דינמית מבוססת אב-טיפוס של מחלקות להחלטה מדויקת של גבולות. גישה זו עולה על שיטות זיהוי וסיווג תוכנות זדוניות אחרות במאגרי נתונים בקוד פתוח וארגוני. טבלה 1 9,7,20,21,22,23,24,25,26,27,28,29,30,31,32 מציגה סקירה קצרה של העבודה הקיימת.

טבלה 1: ספרות של עבודות קיימות על זיהוי התקפות IoT באמצעות ML/DL. הטבלה מספקת סקירה קצרה של עבודות קיימות. אנא לחצו כאן להורדת הטבלה הזו.

מודל CNN-Transformer המוצע מציע אבטחה מלאה לרשתות IoT משום שהוא מתמודד ישירות עם אפשרויות התקפה צרות ויכולות למידת תכונות מוגבלות של שיטות קודמות. שילוב קידוד קונבולוציוני עם מנגנוני קשב עצמי מבטל את גבולות הגילוי הנמוכים של שיטות10,13 בלבד של CNN אוTransformer 33 בלבד. כמו כן, השינויים הספציפיים שעשינו בכל שכבת קידוד CNN הופכים את העברת הדומיין ליעילה יותר תוך קיצור זמן האימון והעומס החישובי. שיפורים אלו מאפשרים שימוש באנליטיקת אבטחה בזמן אמת בהגדרות IoT תפעוליות. המודל המוצע הוא צעד משמעותי בהגנה על מערכות אקולוגיות IoT מפני איומים חדשים ומורכבים יותר.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

חלק זה דן בחומרי מחקר ושיטות הקשורים למערכות זיהוי התקפות בסביבת ה-IoT. כדי לשחזר את הניסויים במאגר הנתונים CIC-IoT-2023, פרוטוקול זה מפרט נהלים ספציפיים. טבלת החומרים הבאה מכילה רשימה של כל החומרה והתוכנה שבהן השתמשו. פייתון (pandas, scikit-learn, ו-TensorFlow Keras) משמש ליישום הצינור, שמופעל על Google Colab עם PySpark הזמין לעיבוד מוקדם בקבצים גדולים. סופק תיאור מפורט של נהלי העיבוד המוקדם של הנתונים.

מערך נתונים
מאגר הנתונים של CIC-IoT-2023, שפורסם על ידי המכון הקנדי לאבטחת סייבר באוניברסיטת ניו ברונסוויק. "מערך הנתונים של CIC IoT 2023" (עמוד מערכי הנתונים של UNB CIC) ומאמר34 הם דף ומסמך הנתונים הרשמי של CIC. מערך הנתונים ניתן להורדה מאתר CIC והוא נגיש לציבור הרחב. במקום להשתמש ב-PCAPs גולמיים, נעשה שימוש בקבצי CSV של תכונות שהופקדו מראש (זרימות ותכונות) במחקר זה. Wireshark/mergecap ו-CICFlowMeter משמשים בניסויים הגולמיים שיצרו את מאגר הנתונים; בעבודה זו נעשה שימוש ב-CSV הבולט. מאגר נתונים זה נגזר ממכשירי IoT אמיתיים, ומשמש במחקר זה. במאגר הנתונים נכללים רשומות מ-33 התקפות ידועות על 105 מכשירי IoT שונים. בניגוד למאגרי IoT קודמים, CIC-IoT-2023 כולל מגוון רחב של סוגי התקפות. כמות כל תווית המקושרת לתעבורה שפירה מוצגת באיור 1. בסך הכול 46 תכונות ותווית אחת מרכיבים את מאגר הנתונים הזה. בהשוואה ל-CSE-CIC-IDS 2018, שכלל 84 תכונות, ל-CIC-IoT-2023 יש 37 תכונות פחות.

figure-protocol-1
איור 1: ספירת התקפות במאגר הנתונים CICIoT2023. שמות הספירה של סוגי התקפות שונים ורשומות שפירות במאגר הנתונים של CICIot2023 מתוארים. סוגי התקפות אלו מסווגים באופן כללי ל-7 מחלקות התקפה. לכן יש בסך הכל 8 מחלקות, כולל 'תמימות' בסיווג רב-מחלקות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

קדם-עיבוד נתונים
אין להשתמש במערכי נתונים באלגוריתמים של למידה עמוקה ללא עיבוד מקדים מספק. העיבוד המוקדם נעשה כדי לספק לאלגוריתם נתונים עדינים יותר, ובסופו של דבר הופך את המודל ליעיל יותר. הפלט של צינור העיבוד המקדים - לאחר קידוד תוויות, קנה מידה של תכונות ובחירת תכונות - נקרא "נתונים סופיים" ומשמש כקלט הן לרכיבי CNN והן לרכיבי טרנספורמר. השלבים הבאים נמצאים ב-Google Colab באמצעות פייתון. מחקר זה השתמש ב-Python 3.8.10, pandas 1.3.4, NumPy 1.21.4, scikit-learn 1.0.2, matplotlib 3.4.3, ו-TensorFlow/Keras 2.6.0. הזרע האקראי נקבע ל-42 לכל הריצות.

רכישת נתונים
שלב זה כולל ניקוי הנתונים שנאספו מהקשרים מהעולם האמיתי, שכן לעיתים קרובות הם מכילים שגיאות וחוסר עקביות רבות. אם מערך הנתונים מכיל ערכי טקסט, למשל, בלתי אפשרי להשתמש בערכים כאלה באימוני למידה עמוקה מבלי להמיר אותם קודם לצורה מספרית. כשעובדים עם מערך הנתונים, הדבר הראשון שעושים הוא להסיר ערכים ריקים ולמחוק תאים שאין בהם נתונים. שורות עם נתונים חסרים הוסרו כדי למנוע השפעות שליליות על המודל.

מאגר הנתונים של CIC-IoT-2023 נטען באמצעות pd.read_csv('ciciot2023_features_part.csv'). מחקר זה השתמש ב-Google Colab להכשרת מודלים וב-PySpark לניקוי ראשוני. כדי לזהות חסרות, נעשה שימוש בשיטות הבאות: df.shape, df.info(), df.isnull().sum(), ו-df.duplicated().sum() עבור כפילויות. כפילויות מוסרות באמצעות df.drop_duplicates(inplace=True). סוג עמודה נומרי מאומת באמצעות הנוסחה df[col] = pd.to_numeric(df[col], errors='כפייה'). אם מופיעים NaNs חדשים, טיפול בערכים חסרים מוחל מחדש. תכונות קבועות או כמעט קבועות גם הן מוסרות באמצעות df.drop(columns=low_variance_cols, inplace=True).

קידוד תווית
השלב הבא הוא להפוך את תוויות הטקסט לייצוג מספרי כדי שהמודל יוכל להבין אותן. לסיווג בינארי קיימים שני סוגים נפרדים של תוויות. ישנם 46,686,579 רשומות, מתוכם 45,588,384 מתויגים כהתקפות זדוניות. עם 1,098,195 תקליטים כלולים, התווית הידידותית מוגדרת ל-0. ישנם שבעה סוגי התקפות נפרדים בסיווג רב-מחלקות. יש שמונה תוויות בסך הכל, כולל התנועה הידידותית. איור 2 מציג את מספר כל קטגוריה של תוויות אלו. המיפוי הרב-קלאסי במחקר זה הוא: 0 עבור Benign, 1 ל-DoS, 2 ל-DDoS, 3 ל-Recon, 4 להתקפות מבוססות רשת, 5 לזיוף, 6 לכוח גס, ו-7 ל-mirai attack.

figure-protocol-2
איור 2: אחוז קטגוריות ההתקפה כולל תנועה שפועה. ישנם שבעה סוגי התקפות נפרדים בסיווג רב-מחלקות. יש שמונה תוויות בסך הכל, כולל התנועה הידידותית. האיור מציג את מספר כל קטגוריה של תוויות אלו. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

קנה מידה של תכונות
קנה מידה של תכונות הוא שיטה נפוצה לשיפור הביצועים הכוללים של מודלים של למידה עמוקה. הגדלת התכונות במחקר זה מתבצעת באמצעות טכנולוגיות Min Max Scaler ו-Standard Scaler. המחקר לא השתמש בהם לבדיקות; במקום זאת, הוא השתמש רק בסקילר שעל מערכת האימון כדי למנוע דליפת נתונים. ניתן לנורמל נתונים להתפלגות ממוצע אפס, סטיית תקן אחת בעזרת שיטת הסקלר הסטנדרטי. אחת הדרכים לעשות זאת היא לחלק את המספר המקורי בסטיית התקן. לצורך זה, פונקציית StandardScaler() נקראת על ידי ייבוא StandardScaler מ-sklearn.preprocessing. על ידי יישום טווח, לעיתים בין 0 ל-1, ה-Min Max Scaler מנרמל את הנתונים. פונקציית MinMaxScaler() מ-scikit-learn שימשה ליישום זה.

כפי שמצוין במשוואה (1), נוסחת המנרמל היא:

figure-protocol-3(1)

כאשר X מייצג את ערך הנקודה המקורי ו-Xנורמליזציה לצורתו המומרת, Xmin מייצג את הערך הנמוך ביותר של המשתנה, בעוד Xmax מייצג את הערך הגבוה ביותר של המשתנה בתוך מערך הנתונים.

בחירת מאפיינים
שילוב כל המאפיינים ממאגרי נתונים גדולים באימון אינו תמיד מועיל. תכונות במאגר הנתונים עשויות להראות קורלציה ועשויות לא לשפר את התוצאה. יתרה מזאת, כמות מופרזת של ערכים מעלה את עלות ההכשרה. כדי למצוא תכונות שאינן נחוצות, אנו מחשבים את מטריצות המתאם שלהן ומוציאים את אלו עם מתאמים חזקים ממערך הנתונים. מקדם המתאם של פירסון, שמכמת את הקשר הליניארי בין שתי תכונות, משמש לחישוב המתאמ. ערך בין -1 ל-+1 מתקבל על ידי חלוקת הקווריאנטיות של שני המשתנים במכפלת הסטיות התקן שלהם. זה אופציונלי ומבוצע בצינור עם Recursive Feature Eliminat (RFE) לבחירת תכונות עם מסווג עץ החלטות. הסרת תכונות רקורסיבית מוצאת שוב ושוב את התכונות הרלוונטיות ביותר על ידי אימון מודל המסווג והשלחת התכונות הפחות משמעותיות. הקוד משתמש ב-RFE מ-sklearn.feature_selection עם מבחן עץ ההחלטה כאומדן. לאחר יישום הסרת תכונות רקורסיבית, נבחרו 30 מתוך 46 התכונות עבור כל אחת משבע קטגוריות ההתקפה, כפי שמוצג בטבלה 2. תכונה יכולה להיות מסווגת תחת סיווגים רבים של התקפה. לאחר סיום התהליך המתואר באיור 3, מתבצע תהליך בחירת מחלקות ההתקפה הכלולות במאגר הנתונים. CNNים מודרניים מצטיינים בלמידת ייצוגים היררכיים מנתונים גולמיים, אך בחירה מוקדמת של מערך תכונות קטן ואיכותי באמצעות RFE מביאה יתרונות משמעותיים. ראשית, RFE עם מסווג עץ החלטות מסיר במהירות נתונים רועשים או מיותרים שעשויים לעכב התכנסות במהלך מחזורי האימון הראשונים. שנית, ריכוז ה-CNN על מאגר קטן יותר של אותות בעלי ערך באמת מפחיתה התאמת יתר, דבר שהוא קריטי במאגרי נתוני תעבורת IoT עם דפוסים מעוותים ומזיקים. שיטת האלימינציה הרקורסיבית של עץ ההחלטות מדרגת תכונות להסבר מודל טוב יותר ולזיהוי הטיות ספציפיות לתחום לפני אימון מעמיק. לבסוף, אתחול ה-CNN-Transformer על מערך התכונות המצוצץ הזה מניב התכנסות מהירה יותר ושימוש נמוך יותר בזיכרון GPU, ומוכיח כי RFE מאיץ ומייצב באופן פעיל למידת תכונות מקצה לקצה.

טבלה 2: התכונות הנבחרות של מערך הנתונים "CIC-IoT-2023". 30 מתוך 46 המאפיינים נבחרו לכל אחת משבע קטגוריות התקיפה במחקר זה באמצעות RFE. הטבלה מתארת את 30 התכונות שנבחרו. אנא לחצו כאן להורדת הטבלה הזו.

figure-protocol-4
איור 3: עבודה על המודל ההיברידי המוצע. השלמת התהליך מפורטת באיור. תהליך בחירת מחלקות ההתקפה הכלולות במאגר הנתונים מתבצע. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

חלק את מערך הנתונים ל-80% רכבת ו-20% על ידי ביצוע השלב: train_test_split (X_train, y_train, test_size=0.20, random_state=42). מערך האימון של 80% מחולק עוד יותר באמצעות train_test_split(X_train, y_train, test_size=0.20,random_state=42). כל בחירת המודלים וכיוונון ההיפרפרמטרים נעשים באמצעות פיצולים מדויקים אלה. טכניקת דגימת המיעוט הסינתטי (SMOTE) משמשת כאשר קיימת בעיית אי-איזון מחלקתית. רק סט האימון עבר SMOTE לאחר פיצול והתרחבות. השפעת SMOTE מוצגת בתוצאות. בהתאם ל-RFE, המחקר מקביל לסניפי CNN ו-Transformer תוך שימוש באותן 30 תכונות שנבחרו לכל דגימה. הפרטים הנוספים של עיבוד 30 התכונות הללו מוזכרים בסעיף המתודולוגיה המוצע.

המתודולוגיה המוצעת
מסגרת אבטחה יעילה למערכות IoT שיכולה לזהות התקפות בצורה מדויקת יותר תיבנה בעזרת מודל למידה עמוקה. מוצעת אסטרטגיית אבטחה היברידית המשלבת רשתות עצביות קונבולוציוניות (CNNs) עם מודלים של טרנספורמר. שיטה זו כוללת אימון ארכיטקטורת CNN באמצעות משקלים ממאגר נתונים גדול יותר ואז כוונון מדויק של הפרמטרים של המודל באמצעות מערך נתונים קטן יותר כמטרה. המטרה העיקרית של מודל זה היא לשפר את יעילות גילוי החדירה ב-IoT.

המחקר הזה השתמש ב-PySpark, פלטפורמת Google Colab שמאפשרת למשתמשים להריץ תוכניות פייתון על Apache Spark. באמצעות חבילות Scikit-learn ו-Keras פותחו אלגוריתמים ללמידה עמוקה. כדי לאמן ולבדוק את המודל, נעשה שימוש בתצורה הבאה: מערכת ההפעלה: Mac OS v12.6; - M2 Apple Silicon; - מסך בגודל 13.3 אינץ'; - מעבד 8 ליבות; - GPU בעל 8 ליבות; - 32 GB RAM; - כונן SSD בנפח 256 GB.

המכון הקנדי לאבטחת סייבר (CIC) יצר מאגר נתונים מקיף לאיומי IoT לקידום יישומי ניתוח אבטחה בסביבות IoT מעשיות34. היו בסך הכל 33 התקפות על רשת של 105 מכשירים מחוברים במערכת IoT. עם סך של 46,179,314 אירועים, התקפות מחולקות לשבע קבוצות: DDoS, Recon, DoS, מבוססי רשת, זיוף וכוח גס, בנוסף למיראי. ישנם 37,349,263 מופעים בסט האימונים, 8,830,051 מופעים בסט הבדיקה, וסך הכל 46 מאפיינים במאגר הנתונים. בכל מקרה, מכשירי IoT זדוניים משגרים מתקפות על מכשירי IoT אחרים. בסך הכל 67 מכשירי IoT ו-38 מכשירי Zigbee ו-Z-Wave המחוברים ל-5 מרכזים הושפעו מההתקפות. רשת של חיישנים, מצלמות, מיקרו-בקרים ומכשירי בית חכם מחוברים עשויה להיות מוגדרת כדי לבצע סוגים שונים של התקפות ולתעד את התעבורה שנוצרת מהם. Wireshark לוכדת תעבורת רשת בפורמט PCAP לניתוח נוסף. מכיוון שכל ניסוי מאחסן שני זרמי נתונים, mergecap משמש לשילוב קבצי ה-PCAP. מכשירי IoT שונים שימשו לאיסוף מאגר הנתונים, כולל נגני אודיו, מקליטי וידאו, מרכזים, שקעי חשמל, מערכות אוטומציה ביתית, תאורה, חיישנים וגאדג'טים מהדור הבא.

סעיף זה מספק מתודולוגיית מחקר מפורטת הכוללת שלבים עוקבים רבים ששימשו במחקר. יתרה מזאת, החלק מגדיר את האלגוריתם המוצע ברצף ומספק תרשים זרימה מפורט של תהליך המחקר.

CNN
האלגוריתם של CNN משתמש ברשת עצבית מלאכותית, גישה של למידה עמוקה. איור 4 ממחיש את האלגוריתם הבסיסי שבו משתמשת CNN: שכבות מחוברות במלואן, איגוד, שטח וקונבולוציה הם כולם חלק ממנו. CNN לא יכול לפעול ללא שכבת הקונבולוציה. נתוני התאים המקבלים מעובדים על ידי שכבת הקונבולוציה.

במשוואה (2), נפח היציאה (Vo) נקבע על ידי P (צעד), Vi (נפח קלט), S (גודל גרעין נוירון בשכבת קונבולוציוניה) ו-M (ריפוד אפס).

figure-protocol-5(2)

לאחר מכן, משתמשים במסנן כדי לחלץ את תכונות ערך הקלט במהלך הקונבולוציה. שכבה זו יוצרת מפת תכונות. הקטנת גודל נתוני הקלט על ידי איגוד מפשטת את האימון ומפחיתה את מספר הפרמטרים לחישוב. ניתן לבחור את שכבת האיגוד באמצעות הערך הגדול ביותר בתוך הגודל הנתון או בממוצע הערכים. הטכניקה המפותחת כוללת שתי שכבות של קונבולוציה ושתי רמות של איגוף. תהליך חילוץ התכונות מתחיל כאן. נתוני התכונות שהושגו זמינים לחישוב. אלגוריתמים של CNN זמינים בממד אחד, שניים או שלושה. המודל השתמש ברשת עצבית קונבולוציונית עם ממד אחד בלבד. השכבות באזור הסיווג נקראות שטוחות, מחוברות לחלוטין. הנתונים חייבים להיות שטוחים לאחר שלב קונבולוציוני כדי שניתן יהיה להשתמש בהם בפאזה המחוברת במלואה. שכבת השטח היא המקום שבו מתבצע התהליך הזה. בתוך השכבה המקושרת במלואה, נעשה שימוש בפרדיגמה המקובלת של רשתות עצביות מלאכותיות. כדי להחיל CNN על הנתונים שאינם מבוססי תמונה, יש לשנות את ממדי הקלט. כתוצאה מכך, CNN עשויה להשתמש בשכבות קונבולוציוניות חד-ממדיות שהן חד-ממדיות35.

figure-protocol-6
איור 4: אלגוריתם בסיסי של CNN. מתוארים את העבודה הבסיסית והרכיבים של מודל CNN. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

למידת טרנספורמר
יתרה מזאת, כדי לבצע ניסויים נוספים, אנו משתמשים במסגרת המידול של הטרנספורמר. המודל יכול לטפל בכל הנקודות ברצף בו-זמנית בזכות מנגנון הקשב העצמי של הטרנספורמר. התוצאה היא זמן אימון מהיר יותר למודל ושימוש טוב יותר במשאבי מחשב על ידי הטרנספורמטור במהלך הסקה ואימון. הטרנספורמטור מורכב בעיקר מסדרה של מקודדים ומפענחים מוערמים. תהליך הקידוד כולל שינוי שפה אחת לאחרת, אך תהליך הפענוח כולל קביעת הסבירות לשפה שונה באמצעות פלטים קודמים. מכיוון שמקודדים אחראים בעיקר לחילוץ תכונות, המודל המוצע משתמש אך ורק ברכיבי מקודד. מקודד הטרנספורמר מורכב מהטמעת קלט/מיקום, רשת עצבית קדימה, נרמול שכבות, ריכוז עצמי מרובה ראשים, ורשת שארית.

כדי להכין את נתוני הקלט לעיבוד על ידי הטרנספורמר, משתמשים בשכבת הטמעה להמרת המאפיינים הקטגוריים לייצוגים וקטוריים צפופים. הטמעת מיקום מראה כיצד תכונות מחוברות ברצף, בעוד שהטמעת קלט מראה כיצד קלטים שונים קשורים במרחב משותף. לפני שהטרנספורמטור מעבד מאפיינים קטגוריים, מחקר זה משתמש בהטמעת קלט כדי להפוך אותם לווקטורים צפופים.

הרחבה של מנגנון תשומת הלב, מנגנון תשומת הלב העצמית הרב-ראשית הוא הבסיס לארכיטקטורת הטרנספורמר. באמצעות מכפלת נקודות בקנה מידה, מחקר זה משתמש במנגנון ריכוז עצמי רב-ראשי.

figure-protocol-7(3)

כאשר מטריצת השאילתה (Q), מטריצת המפתח (K), מטריצת הערכים (V) וממד מטריצת המפתח (dk) מסומנים בהתאמה. על ידי מתן אפשרות למודל להתרכז בנתונים מתכונות שונות הממופות לתת-מרחבים נפרדים, מה שמוביל לערכי קשב מובחנים, מנגנון תשומת לב מרובה ראשים עם קנה מידה של מכפלת נקודה, שונה ממנגנון תשומת הלב של נקודת המכפלה המוגדלת. התאמת יתר פחות סבירה כאשר מחשבים את רמות הקשב באופן עצמאי עבור כל ראש. הניסוח הספציפי הוא כדלקמן:

figure-protocol-8(4)

figure-protocol-9 (5)

כאשר h הוא מספר ראשי הקשב, dv ו-d מודל מייצגים את הממד של v והמודל. גם

figure-protocol-10

לאחר מכן, נעשה שימוש בנירמול השכבה לייצוב תהליך האימון. כדי למנוע התפוצצות גרדיאנט, נרמול השכבה מגביל את התפוקה של כל שכבה לטווח מסוים. ייתכן שגם ההתכנסות של הדגם וגם מהירות האימון משתפרים בעקבות כך. בעוד שנרמול אצווה לוקח בחשבון נתוני אצווה, נרמול שכבה אינו עושה זאת.

המודל המוצע של CNN-Transformer
מחקר זה מציע טכניקת CNN-Transformer היברידית לזיהוי חדירות לרשתות IoT, תוך התחשבות ביתרונות הייחודיים של שתי הארכיטקטורות. איור 5 מציג את הרכיבים העיקריים של טכניקת ההיברידית המוצעת של CNN-טרנספורמר. לאחר ביצוע כל שלבי הקדם-עיבוד, כולל ניקוי, נרמול, קידוד תוויות ובחירת תכונות, כל דגימה במאגר הנתונים מיוצג על ידי וקטור תכונה 30 ממדי, הנקרא נתונים סופיים. אותו נתונים סופיים משוכפלים ומזינים במקביל לשני הענפים של המודל ההיברידי. לאחר מכן, הנתונים הסופיים נשלחים הן לבלוק ה-CNN והן ל-Transformer בו-זמנית. CNN ושנאי אינם תלויים זה בזה בשום צורה; שניהם עשויים לעבוד על אותו נתוני קלט בו זמנית. הפלטים השטוחים של שני הענפים, CNN וטרנספורמר, מחוברים ליצירת וקטור תכונות מאוחד, שמועבר לשכבות הצפופות, שמאגדות אותן. בלוק ה-CNN משנה את צורת הקלט ל-(num_features, 1) כך שניתן לבצע פעולות קונבולוציונליות על פני מממדי התכונה כדי למצוא דפוסים מרחביים מקומיים. במקביל, ענף הטרנספורמר משנה את אותו קלט לפורמט סדרתי ושולח אותו למרחב הטמעה מממד גבוה יותר, ואחריו קידוד מיקומי. זה מאפשר לטרנספורמר להתמקד בעצמו במרחב הפיצ'רים ולמצוא קשרים קונטקסטואליים גלובליים. העיצוב הייחודי של השנאי משמש לחילוץ תכונות, בעוד שפונקציית הסיגמואיד והשכבות המקושרות לחלוטין מספקות את הקשר המיפוי בין תכונות לתוויות. מודל CNN-Transformer מיוצג מבנית באיור 5. התוצאה היא מערכת בת שמונה קטגוריות לסיווג התקפות, עם DDoS, Recon, DoS, Benign, Web-based, Spoofing, Brute Force ו-Mirai כרכיבים. תהליך ההערכה של ה-CNN-Transformer המוצע מוצג באיור 5.

figure-protocol-11
איור 5: ארכיטקטורה של המודל המוצע. האיור מציג את צורת הקלט ותהליך ההערכה של ה-CNN-Transformer המוצע. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

שתי רשתות עצביות קונבולוציונליות חד-ממדיות (CNNs) עם מסננים של 64 ו-128 יחידות וגודל של 3 גרעינים, שתי שכבות מקסימום איגוד, שלב שטח, שלוש שכבות צפופות עם 256, 128 ו-64 יחידות, ושלוש שכבות נדירות (dropout) מרכיבות את שכבת הרשת העצבית הקונבולוציונית (CNN).

נתוני הקלט מעובדים דרך שכבת קונבולוציה חד-ממדית עם פונקציית הפעלה של ReLU, 64 מסננים, קרנל 3x3 וצעד 1x1 בשכבה הראשונה. לאחר השכבה הקודמת יש שכבת MaxPooling1D עם גודל בריכה של 2. כדי להפוך את המודל לגמיש יותר ולהפחית את עלות החישוב שלו, שכבה זו מקטין את הממדים המרחביים של שטח הפלט. השכבה השלישית היא שכבה קונבולוציונית חד-ממדית נוספת; יש לו 128 פילטרים, גרעין בשלושה גדלים, צעד אחד ופונקציית הפעלה בשם ReLU. באמצעות יותר מסננים להפקת מאפייני קלט, שכבה זו דומה לשכבת הבריכה המקסימלית הראשונה. הפלט של השכבה הראשונה מעובד לאחר מכן באמצעות הטכניקה. לאחר מכן, נוספה שכבת איגום מקסימלית אחרי שכבת הקונבולוציה השנייה, וגודל המאגר שלה היה גם הוא 2. שוב, שכבה זו משמשת להפחתת דגימת מפות התכונות. השכבה החמישית היא שכבת השטחה, והיא לוקחת את הפלט מהשכבה הקודמת והופכת אותו לווקטור חד-ממדי.

תת-קבוצות התכונות שמתקבלות מוטמעות, כשלב אחרון לפני שהן הופכות לקלט של הטרנספורמר. בנוסף, קשב רב-ראשי – וקטור חד-ממדי של שמונה ראשים עם ממד של 32 מפתחות – משמש להערכת המשמעות של כל ראש. שכבת הקשב הרב-ראשית היא הרכיב המרכזי של הטרנספורמר. שכבה זו מאפשרת למודל ללמוד מהייצוגים המוטמעים של מאפיינים שונים בצורה אדפטיבית. שכבת הקשב הרב-ראשית מורכבת ממספר ראשי תשומת לב עצמית, הנקראים גם "תשומת לב נקודת-מוצר מוגדלת". לאחר יישום נירמול השכבה עם אפסילון מוגדר ל-1e-6, המטרה היא למגר פערים בקנה מידה בין מאפיינים שונים ולהבטיח יציבות תפוקה. על ידי שמירה על תפוקת כל שכבה בטווח שנקבע מראש, נרמול השכבה מפחיתה את הסיכוי לפיצוץ גרדיאנט. לאחר פלט השנאי יש שכבת יישור, שמפשטת את השילוב שלה עם ה-CNN על ידי הפחתתו לווקטור יחיד.

השלב הבא הוא לשלב את הפלטים השטוחים של ה-CNN והטרנספורמר באמצעות שכבת שרשור. פונקציית הפעלה "relu", רגולריזציה בשפה 2, ושכבה צפופה עם 256 יחידות עוקבות אחרי שכבת השטח. לאחר מכן יש שכבת dropout עם קצב של 0.5, מה שעוזר למנוע התאמת יתר. שכבה צפופה נוספת של 128 יחידות באמצעות רגולריזציה ב-L2 ופונקציית ההפעלה "relu" מבקרת. שיעור הנשירה בשכבת נשירה נוספת הוא 0.3. פונקציית הפעלת ReLU, רגולריזציה של L2 ושכבה צפופה של 64 יחידות מהווים את השכבה הבאה. השכבה הבאה היא שכבת יצירה בקצב 0.2, שמסירה באקראי 20% מהיחידות שבתוכה. שכבה צפופה עם פונקציית הפעלה של softmax יוצרת התפלגות הסתברותית למחלקות הפלט של השכבה הקודמת. יש בדיוק אותו מספר יחידות בשכבה זו כמו שיש מחלקות פלט.

המודל המוצע ניתן לביטוי מספרית כך:
יהי X נתוני קלט CNN, כאשר X figure-protocol-12 R(n×1) לאחר עיצוב מחדש, ו-n הוא מספר התכונות הנבחרות, בהתאמה. X מוכנס למרחב הטמעה מממד גבוה יותר בצורת R(n × d_model) עבור בלוק הטרנספורמר. לפני שזה נכנס למנגנון תשומת הלב העצמית, משתמשים בקידוד מיקומי.

להלן ביטוי הפעולה בשכבת Conv1D, המשתמשת ב-64 מסננים וגודל גרעין של 3:

figure-protocol-13(6)

כאשר Yi,j הוא הפלט במיקום j של המסנן i, k הוא הגרעין בגודל 3, b1figure-protocol-14 R64 הוא מונח ההטיה לכל מסנן, Wk מייצג משקלי מסנן, ו-ReLU היא פונקציית ההפעלה. לאחר מכן, שכבת MaxPooling מוחלת עם גודל מאגר של 2, מה שנותן פלט Z1,j.

figure-protocol-15(7)

שכבת קונבולוציה נוספת של ID עם גודל של 3 ליבה ו-128 מסננים כלולה כשכבה השלישית של המודל; ביטויו הוא:

figure-protocol-16(8)

כאשר k הוא הגרעין בגודל 3, b2 figure-protocol-17 R128 הוא מונח ההטיה לכל מסנן, ו-ReLU היא פונקציית ההפעלה. מיושמת שכבת בריכה מקסימלית נוספת, שמקבלת את הקלט מהשכבה השנייה של הקונבולוציה עם גודל בריכה של 2. הפלט Z2,j ניתן על ידי:

figure-protocol-18(9)

השכבה החמישית היא שכבה שטוחה המובעת כך:

figure-protocol-19(10)

לאחר מכן נמצאות שכבות הטרנספורמר, הכוללות שכבת הטמעה, שכבת תשומת לב מרובת ראשים, ונרמול שכבה

figure-protocol-20(11)

E הוא וקטור הטמעה עבור תווית מחלקת הקלט c, ו-We היא מטריצת המשקל המכילה וקטורי הטמעה לכל הקטגוריות. זה ממפה כל מספר שלם ב-c לווקטור צפוף של 32 רכיבים בעלי ערכים ממשיים. הבא הוא שכבת תשומת לב מרובת ראשים, כפי שנוסח במשוואה (3),(4) ו-(5).

למטריצת המפתח יש גודל של dk =32 וממד h=8. d v ו-d מודל מייצגים את ה-V ואת הממדים של המודל בהתאמה. גםfigure-protocol-21

עבור פלט x = MultiHead(Q,K,V), נרמול השכבה מספק:

figure-protocol-22(12)

כאשר y הוא הפלט המנורמל, γ ו-β הם הפרמטרים הניתנים ללמידה, ו-μ ו-σ2 מציינים את הממוצע והשונות עבור x, בהתאמה. הבא הוא שכבת השטחה של הטרנספורמר, המוגדרת כ

figure-protocol-23

בסוף כל השכבות, הביטוי המתקבל מוצג כך:

figure-protocol-24

figure-protocol-25

figure-protocol-26

figure-protocol-27

figure-protocol-28

figure-protocol-29

figure-protocol-30

figure-protocol-31

כאשר Z1figure-protocol-32R256, Z2figure-protocol-33R128, Z3figure-protocol-34R64, ו-Yfigure-protocol-35R8. מודל היברידי זה גם מחשב את פונקציית ההפסד עבור סיווג רב-מחלקות, שניתן לבטא כך

figure-protocol-36

איפה:
Yc מייצג את התווית האמיתית (מקודדת one-hot) עבור מחלקה cc,
Y'c היא ההסתברות החזויה למחלקה c
האלגוריתם המוצע מוסבר בטבלה 3 בפירוט.

טבלה 3: אלגוריתם CNN-Transformer המוצע. האלגוריתם המוצע מוסבר בטבלה 3 שלב אחר שלב. אנא לחצו כאן להורדת הטבלה הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סעיף זה מציג את פרמטרי ההערכה יחד עם תוצאות הבדיקה.

מדדי הערכת ביצועים
ניתן להעריך את יעילות המודלים באמצעות מספר קריטריונים מוגדרים להערכה. דיוק, שחזור, דיוק, ציון F1, ROC, מטריצת בלבול ומדדים סטטיסטיים נוספים מוצגים בטבלה 4. המדדים מספקים תובנות לגבי ביצועי המודלים הכלליים.

טבלה 4: מדדי הערכת ביצועים. דיוק, שחזור, דיוק, ציון F1, ROC, מטריצת בלבול ומדדים סטטיסטיים נוספים ששימשו ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מודל CNN-Transformer נבדק על מערכי הנתונים CICIoT2023, כאשר 80% הוקצו לאימון ו-20% לבדיקות. המודל השיג דיוק של 99.97%, ציון F1 של 99.96%, זיכרון של 99.97%, דיוק של 99.96% ואובדן של 0.0123, מה שמאשר את יעילותו בזיהוי חדירות של IoT. גישות מבוססות CNN, בדומה לממצאים13, מיומנות בזיהוי דפוסים מרחביים קטנים במאפייני תעבורת הרשת; עם זאת, לעיתים קרובות הם מציגים מגבלות במידול תלותיות לטווח ארוך. מודלים מבוססי טרנספורמר33 טובים יותר בהפקת קישורים קו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין ניגודי עניינים להצהיר עליהם.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אני רוצה להביע את תודתי המיוחדת למדריכה שלי, ד"ר סימה, על שהעבירה את הידע והמומחיות שלה במחקר זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Apple M2 (מעבד 8 ליבות)תפוחלא זמין(OS) מספקת את הסביבה שבה פועלים מסגרות וכלים של למידה עמוקה.
מערך הנתונים CICIoT2023UNBhttps://www.unb.ca/cic/datasets/iot2023.htmldaset זמין לציבור של IoT
קראס 2.6.0קראסhttps://keras.io/API שרץ מעל TensorFlow, ומספק ממשק ידידותי למשתמש.
Matplotlib 3.4.3Matplotlib https://matplotlib.org/ספריית ויזואליזציה לפייתון.
NumPy 1.21.4נאמפיhttps://numpy.org/חבילת יסוד למחשוב מדעי עם פייתון
כרטיס מסך NVIDIA Tesla P100 (16GB VRAM)גוגל קולאב פרולא זמיןציוד אימון
פנדות 1.3.4פנדהhttps://pandas.pydata.org/כלי לניתוח ומניפולציה של נתונים.
פייתון 3.8.10קרן התוכנה של פייתוןhttps://www.python.org/downloads/release/python-3810/השפה הפופולרית ביותר ללמידה עמוקה בזכות הספריות הנרחבות והתמיכה הקהילתית שלה.
סקיקיט-לרן 1.0.2סיקיט לרןhttps://scikit-learn.org/ספריית למידת מכונה לפייתון.
סיבורן 0.11.2סיבורןhttps://seaborn.pydata.org/ספריית ויזואליזציה סטטיסטית של נתונים.
זיכרון מערכתלא זמיןלא זמין32GB RAM
TensorFlow 2.6.0גוגלhttps://www.tensorflow.org/בשימוש נרחב בזכות הכלים והספריות המקיפים שלו.

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Abbas, S., et al. A novel federated edge learning approach for detecting cyberattacks in IoT infrastructures. IEEE Access. 11, 112189-112198 (2023).
  2. Asharf, J., et al. A review of intrusion detection systems using machine and deep learning in internet of things: challenges, solutions and future directions. Electronics. 9 (7), 1177(2020).
  3. Qiu, J., Tian, Z., Du, C., Zuo, Q., Su, S., Fang, B. A survey on access control in the age of internet of things. IEEE Internet Things J. 7 (6), 4682-4696 (2020).
  4. Zhang, K., et al. Compacting deep neural networks for internet of things: methods and applications. IEEE Internet Things J. 8 (15), 11935-11959 (2021).
  5. Farooq, U., Tariq, N., Asim, M., Baker, T., Al-Shamma'a, A. Machine learning and the internet of things security: solutions and open challenges. J Parallel Distrib Comput. 162, 89-104 (2022).
  6. Regan, C., et al. Federated IoT attack detection using decentralized edge data. Mach Learn Appl. 8, 100263(2022).
  7. Sarhan, M., Layeghy, S., Moustafa, N., Portmann, M. Cyber threat intelligence sharing scheme based on federated learning for network intrusion detection. J Netw Syst Manage. 31 (1), (2023).
  8. Verma, P., et al. A novel intrusion detection approach using machine learning ensemble for IoT environments. Appl Sci. 11 (21), 10268(2021).
  9. Rajagopal, S., Kundapur, P. P., Hareesha, K. S. A stacking ensemble for network intrusion detection using heterogeneous datasets. Secur Commun Netw. 2020, 4586875(2020).
  10. Enhancing IoT security with CNN and LSTM-based intrusion detection systems. Gueriani, A., Kheddar, H., Mazari, A. C. Proc Int Conf Pattern Anal Intell Syst, 6, 1-7 (2024).
  11. Nandanwar, H., Katarya, R. Deep learning enabled intrusion detection system for industrial IoT environment. Expert Syst Appl. 249, 123808(2024).
  12. Jony, A. I., Arnob, A. K. B. A long short-term memory based approach for detecting cyber attacks in IoT using CIC-IoT2023 dataset. J Edge Comput. 3 (1), 28-42 (2024).
  13. de Caldas Filho, F. L., et al. Botnet detection and mitigation model for IoT networks using federated learning. Sensors. 23 (14), 6305(2023).
  14. Wang, Z., et al. ThreatInsight: innovating early threat detection through threat-intelligence-driven analysis and attribution. IEEE Trans Knowl Data Eng. 36 (12), 9388-9402 (2024).
  15. Chai, Y., Du, L., Qiu, J., Yin, L., Tian, Z. Dynamic prototype network based on sample adaptation for few-shot malware detection. IEEE Trans Knowl Data Eng. 35 (5), 4754-4766 (2023).
  16. Shah, H., et al. Deep learning-based malicious smart contract and intrusion detection system for IoT environment. Mathematics. 11 (2), 418(2023).
  17. Luo, C., et al. A novel web attack detection system for internet of things via ensemble classification. IEEE Trans Ind Inform. 17 (8), 5810-5818 (2021).
  18. Tian, Z., et al. A distributed deep learning system for web attack detection on edge devices. IEEE Trans Ind Inform. 16 (3), 1963-1971 (2020).
  19. Chai, Y., et al. MalFSCIL: a few-shot class-incremental learning approach for malware detection. IEEE Trans Inf Forensics Secur. 20, 2999-3014 (2025).
  20. Maghrabi, L. A. Automated network intrusion detection for internet of things: security enhancements. IEEE Access. 12, 30839-30851 (2024).
  21. He, M., et al. Reinforcement learning meets network intrusion detection: a transferable and adaptable framework for anomaly behavior identification. IEEE Trans Netw Serv Manage. 21 (2), 2477-2492 (2024).
  22. Oseni, A., et al. An explainable deep learning framework for resilient intrusion detection in IoT-enabled transportation networks. IEEE Trans Intell Transp Syst. 24 (1), 1000-1014 (2023).
  23. Khan, F., et al. Trustworthy and reliable deep-learning-based cyberattack detection in industrial IoT. IEEE Trans Ind Inform. 19 (1), 1030-1038 (2023).
  24. IoT anomaly detection using a multitude of machine learning algorithms. Balega, M., et al. Proc IEEE Appl Imagery Pattern Recognit Workshop, 2022, 1-7 (2022).
  25. A hybrid machine learning approach to anomaly detection in industrial IoT. Jayesh, T. P., et al. Proc Int Conf Adv Comput Commun Embedded Syst, 3, 32-36 (2023).
  26. Mezina, A., Burget, R., Travieso-Gonzalez, C. M. Network anomaly detection with temporal convolutional network and U-Net model. IEEE Access. 9, 143608-143622 (2021).
  27. Ahmad, Z., et al. Anomaly detection using deep neural network for IoT architecture. Appl Sci. 11 (15), 7050(2021).
  28. Raman, M., et al. An efficient intrusion detection technique based on support vector machine and improved binary gravitational search algorithm. Artif Intell Rev. 53, (2020).
  29. Thaseen, I. S., et al. A hadoop based framework integrating machine learning classifiers for anomaly detection in the internet of things. Electronics. 10 (16), 1955(2021).
  30. Almiani, M., et al. Deep recurrent neural network for IoT intrusion detection system. Simul Model Pract Theory. 101, 102031(2020).
  31. A novel approach to detect IoT malware by system calls using deep learning techniques. Shobana, M., Poonkuzhali, S. Proc Int Conf Innovative Trends Inf Technol, 2020, 1-5 (2020).
  32. Farsi, M. Application of ensemble RNN deep neural network to the fall detection through IoT environment. Alex Eng J. 60 (1), 199-211 (2021).
  33. Tseng, S. M., Wang, Y. Q., Wang, Y. C. Multiclass intrusion detection based on transformer for IoT networks using CIC-IoT-2023 dataset. Future Internet. 16 (8), 284(2024).
  34. Neto, E. C. P., et al. CICIoT2023: a real-time dataset and benchmark for large-scale attacks in IoT environment. Sensors. 23 (13), 5941(2023).
  35. Tsimenidis, S., Lagkas, T., Rantos, K. Deep learning in IoT intrusion detection. J Netw Syst Manage. 30 (1), 8(2021).
  36. Kamal, H. Advanced hybrid transformer-CNN deep learning model for effective intrusion detection systems with class imbalance mitigation using resampling techniques. Future Internet. 16 (12), 481(2024).
  37. Alghieth, M. DeepECG-Net: a hybrid transformer-based deep learning model for real-time ECG anomaly detection. Sci Rep. 15 (1), 20714(2025).
  38. Kethineni, K., Pradeepini, G. Intrusion detection in internet of things-based smart farming using hybrid deep learning framework. Clust Comput. 27 (2), 1719-1732 (2024).
  39. Alharbi, A., et al. Botnet attack detection using local global best bat algorithm for industrial internet of things. Electronics. 10 (11), 1341(2021).
  40. Kunang, Y. N., et al. Attack classification of an intrusion detection system using deep learning and hyperparameter optimization. J Inf Secur Appl. 58, 102804(2021).
  41. Han, W., et al. Heterogeneous data-aware federated learning for intrusion detection systems via meta-sampling in artificial intelligence of things. IEEE Internet Things J. 11 (8), 13340-13354 (2024).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

IoTTransformerIoTCIC IoT 2023

מאמרים קשורים