ترجمه فارسی مقاله به سمت روش یادگیری ماشین کارآمد برای تشخیص حمله IoT DDOS

چکیده

With the rise in the number of IoT devices and its users, security in IoT has become a big concern to ensure the protection from harmful security attacks. In the recent years, different variants of DDoS attacks have been on the rise in IoT devices. Failure to detect DDoS attacks at the right time can result in financial and reputational loss for victim organizations. These attacks conducted with IoT devices can cause a significant downtime of applications running on the Internet. Although researchers have developed and utilized specialized models using artificial intelligence techniques, these models do not provide the best accuracy as there is always a scope of improvement until 100% accuracy is attained. We propose a hybrid feature selection algorithm that selects only the most useful features and passes those features into an XGBoost model, the results of which are explained using feature importances. Our model attains an accuracy of 99.993% on the CIC IDS 2017 dataset and a recall of 97.64 % on the CIC IoT 2023 dataset. Overall, this research would help researchers and implementers in the field of detecting IoT DDoS attacks by providing a more accurate and comparable model.

چکیده به فارسی (ترجمه ماشینی)

با افزایش تعداد دستگاه های IoT و کاربران آن ، امنیت در IoT به یک نگرانی بزرگ برای اطمینان از حمایت از حملات امنیتی مضر تبدیل شده است.در سالهای اخیر ، انواع مختلفی از حملات DDOS در دستگاه های IoT رو به افزایش بوده است.عدم تشخیص حملات DDOS در زمان مناسب می تواند منجر به از دست دادن مالی و شهرت برای سازمان های قربانی شود.این حملات انجام شده با دستگاه های IoT می تواند باعث خرابی قابل توجهی در برنامه های کاربردی در اینترنت شود.اگرچه محققان با استفاده از تکنیک های هوش مصنوعی ، مدل های تخصصی را توسعه داده و از آنها استفاده کرده اند ، اما این مدل ها بهترین دقت را ارائه نمی دهند زیرا تا زمان دستیابی به دقت 100 ٪ ، همیشه دامنه پیشرفت وجود دارد.ما یک الگوریتم انتخاب ویژگی ترکیبی را پیشنهاد می کنیم که تنها مفیدترین ویژگی ها را انتخاب می کند و آن ویژگی ها را به یک مدل XGBoost منتقل می کند ، که نتایج آن با استفاده از واردات ویژگی توضیح داده شده است.مدل ما به دقت 99.993 ٪ در مجموعه داده CIC IDS 2017 و فراخوان 97.64 ٪ در مجموعه داده CIC IOT 2023 رسیده است.به طور کلی ، این تحقیق با ارائه یک مدل دقیق تر و قابل مقایسه تر ، به محققان و مجریان در زمینه تشخیص حملات IoT DDOS کمک می کند.