مدل تركيبي تشخيص ناهنجاري با استفاده از خوشه بندي وزني معكوس و يادگيري ماشين در بستر محيط‌هاي ابري

A hybrid model of anomaly detection using inverse weight clustering and machine learning in cloud environments

امروزه به دليل حملات و نفوذهاي بسيار پيشرفته، شناسايي حملات در اينترنت اشياء در بستر محيط ­هاي ابري بسيار دشوار شده است. از مشكلات ديگر سيستم­ هاي ابري مي­ توان به پايين بودن دقت در تشخيص خطا، نرخ مثبت كاذب و زمان محاسبات طولاني اشاره كرد. در روش پيشنهادي يك مدل تشخيص نفوذ تركيبي شامل يك الگوريتم خوشه ­بندي و يك طبقه ­بندي جنگل تصادفي مبتني بر ماشين، براي محيط­ هاي تركيبي مه و ابر ارائه مي­ دهيم. همچنين براي كنترل ترافيك شبكه در لايه فيزيكي و همچنين تشخيص ناهنجاري در بين دستگاه ­هاي اينترنت اشياء محاسبات در مه و لبه­ هاي ابر انجام خواهد شد به اين صورت كه پس از پيش پردازش، ترافيك ورودي به مه و ابر بررسي و در صورت نياز به يك ماژول تشخيص ناهنجاري هدايت مي­ شوند. براي شناسايي نوع هر حمله از يك طبقه ­بندي يادگيري مبتني بر جنگل تصادفي استفاده شده است. از داده ­هاي عمومي و داده ­هاي ابري براي تحقيق استفاده شده است. دقت كلي سيستم تشخيص نفوذ پيشنهادي 98/03 و متوسط نرخ مثبت كاذب 17 % و نرخ تشخيص ناهنجاري 96/30 بوده است كه نسبت به روش­ هاي گذشته قابل ملاحظه است.

Today, due to highly advanced attacks and intrusions, it has become very difficult to detect IoT attacks in cloud environments. Other problems with cloud systems include low error detection accuracy, false positive rates, and long computation times. In the proposed method, we present a hybrid intrusion detection model including a clustering algorithm and a machine-based random forest classification for fog and cloud environments. Also, to control the network traffic in the physical layer and also to detect anomalies between IoT devices, calculations will be performed on the fog and the edges of the cloud, so that after preprocessing, the incoming traffic to the fog and cloud will be checked and if necessary They are directed to an anomaly detection module. A random forest-based learning classification was used to identify the type of each attack. General data and cloud data have been used for research. The overall accuracy of the proposed intrusion detection system was 98.03 and the mean false positive rate was 17% and the anomaly detection rate was 96.30, which is considerable compared to previous methods.