دوره و شماره : آماده انتشار

نویسندگان : آفرین قائدشرف* ¹ ، کیمیا بازرگان لاری ² ، زهرا اکرام زاده ³

چکیده :
فناوری اینترنت اشیاء (IoT) در سال‌های اخیر به‌طور قابل‌توجهی گسترش یافته است که به همراه خود افزایش حملات سایبری را به دنبال داشته است. به دلیل حجم عظیم و داده‌های چندبعدی IoT، تشخیص ناهنجاری‌ها منجر به کاهش دقت پیش‌بینی و افزایش نرخ هشدارهای اشتباه می‌شود. علاوه بر این، کمبود مجموعه داده‌های واقعی برای آزمایش تشخیص ناهنجاری وجود دارد. این پژوهش یک مجموعه داده جدید برای تشخیص ناهنجاری بلادرنگ ایجاد کرده و مدلی کارآمد با استفاده از شبکه حافظه بلندمدت (LSTM) بهینه‌سازی شده با الگوریتم بهینه‌سازی گرگ خاکستری (IGWO) در محیط لبه IoT ارائه می‌دهد. برای تولید مجموعه داده، از بستر آزمایشی شامل Raspberry Pi 4 و حسگرهایی که با پروتکل MQTT متصل شده‌اند استفاده شده است. کاهش ویژگی‌ها با استفاده از شبکه خودرمزگذار انجام شده و پارامترهای شبکه LSTM با استفاده از تکنیک‌های IGWO بهینه‌سازی شده‌اند. نتایج نشان می‌دهد مدل پیشنهادی با دقت 99/11% عملکرد بهتری نسبت به مدل‌های موجود داشته است. علاوه بر این، عملکرد مدل با استفاده از مجموعه داده‌های استاندارد CICIDS2017، DS2OS و MQTTset بررسی و با آزمون آماری Wilcoxon تایید شده است.

کلمات کلیدی :
تشخیص ناهنجاری، خودرمزگذار، بهینه‌سازی گرگ خاکستری، امنیت اینترنت اشیاء، LSTM، MQTT، Wilcoxon