سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله CCES-1234

عنوان یک چارچوب یادگیری ماشین برای تشخیص نفوذ در داده های نامتوازن BoT-IoT با بهره گیری از XGBoost و تنظیم خودکار آستانه

نویسندگان معصومه لطیف - ضیاالدین بهشتی فرد

چکیده با گسترش شبکه‌های اینترنت اشیا، تشخیص نفوذ در برابر حملات پیچیده به یکی از چالش‌های مهم امنیت شبکه تبدیل شده است. مجموعه‌داده Bot-IoT به دلیل حجم بالا، ابعاد زیاد و عدم‌تعادل شدید کلاس‌ها، نیازمند روش‌های پیشرفته یادگیری ماشین است. در این مقاله، یک چارچوب کارآمد برای تشخیص دودویی ترافیک نرمال و مخرب در شبکه‌های اینترنت اشیا ارائه می‌شود که بر پایه پالایش داده، کاهش ابعاد و مدیریت عدم‌تعادل کلاس‌ها استوار است. در مرحله پیش‌پردازش، ویژگی‌های فاقد بار اطلاعاتی و نمونه‌های دارای مقادیر گم‌شده حذف شده و برچسب‌های چندکلاسه به ساختار دودویی تبدیل شدند. سپس داده‌ها نرمال‌سازی و به‌صورت طبقه‌بندی‌شده به مجموعه‌های آموزش و تست تقسیم گردیدند. با استفاده از تحلیل مؤلفه‌های اصلی (PCA)، تعداد ویژگی‌ها به 18 مؤلفه کلیدی کاهش یافت. برای مقابله با عدم‌تعادل شدید داده‌ها، یک راهبرد نمونه‌برداری کنترل‌شده به‌کار گرفته شد که ضمن حفظ نمونه‌های کلاس اقلیت، تعادل مناسبی میان کلاس‌ها ایجاد می‌کند. در مرحله یادگیری، الگوریتم XGBoost با وزن‌دهی غیریکنواخت کلاس‌ها مورد استفاده قرار گرفت. همچنین، به‌منظور بهبود عملکرد در شرایط عدم‌تعادل، یک روش بهینه‌سازی دینامیک آستانه تصمیم‌گیری مبتنی بر معیار F1-Score ارائه شد که آستانه بهینه 0.29 را تعیین کرد. نتایج نشان می‌دهد روش پیشنهادی قادر است توازن مناسبی میان دقت و بازخوانی برقرار کرده و عملکرد مؤثری در تشخیص حملات در داده‌های Bot-IoT ارائه دهد

فایل ها

فایل ارایه مقالات پوستری

محتوای ارائه مجازی مقاله

نظرات