فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله، یک سیستم کارآمد تشخیص نفوذ برای اینترنت اشیا (IoT) ارائه شده است که به چالش گره‌های IoT آلوده به بدافزارهای مختلف و تبدیل شدن هر دستگاه هوشمند به گره حمله‌کننده بات‌نت می‌پردازد. همچنین، مسائل موجود در سیستم‌های تشخیص نفوذ فعلی، مانند انتخاب ویژگی‌های هوشمند، عدم تعادل مجموعه داده‌های آموزشی و تمرکزگرایی را نیز مد نظر قرار می‌دهد. سیستم پیشنهادی از معماری توزیع‌شده شبکه‌های نرم‌افزارمحور (SDN) بهره می‌برد. روش پیشنهادی با متعادل‌سازی مجموعه داده‌ها با استفاده از تکنیک SMOTE آغاز می‌شود. سپس، ویژگی‌های اساسی با استفاده از الگوریتم بهینه‌سازی کرکس آفریقایی انتخاب می‌شوند. در مرحله بعد، یک مدل یادگیری عمیق LSTM در کنترلر SDN آموزش داده می‌شود. سوئیچ‌های SDN از این مدل آموزش‌دیده برای تشخیص حملات استفاده می‌کنند. برای بهبود مقابله با حملات، آدرس‌های گره‌های حمله‌کننده بین سوئیچ‌های SDN به اشتراک گذاشته می‌شوند، که تشخیص سازگار را تضمین کرده و امکان جلوگیری موثر از حملات منع سرویس توزیع‌شده (DDoS) را در سراسر شبکه فراهم می‌کند. نتایج تجربی به دست آمده در MATLAB، با استفاده از مجموعه داده NSL-KDD، اثربخشی روش پیشنهادی را نشان می‌دهد و دقت 99.34٪، حساسیت 99.16٪ و دقت 98.93٪ را در تشخیص حملات به دست می‌آورد. روش پیشنهادی عملکرد بهتری نسبت به روش‌های انتخاب ویژگی مبتنی بر الگوریتم‌های WOA، HHO و AO، و روش‌های یادگیری عمیق مانند LSTM، RNN و CNN، به ویژه در تشخیص حملات DDoS، دارد.