ترجمه فارسی مقاله افزایش تشخیص حملات DoS و Brute Force در محیط MQTT از طریق مهندسی ویژگی و به‌کارگیری یک تکنیک گروهی

چکیده

The rapid development of the Internet of Things (IoT) environment has introduced unprecedented levels of connectivity and automation. The Message Queuing Telemetry Transport (MQTT) protocol has become recognized in IoT applications due to its lightweight and efficient features; however, this simplicity also renders MQTT vulnerable to multiple attacks that can be launched against the protocol, including denial of service (DoS) and brute-force attacks. This study aims to improve the detection of intrusion DoS and brute-force attacks in an MQTT traffic intrusion detection system (IDS). Our approach utilizes the MQTT dataset for model training by employing effective feature engineering and ensemble learning techniques. Following our analysis and comparison, we identified the top 10 features demonstrating the highest effectiveness, leading to improved model accuracy. We used supervised machine learning models, including Random Forest, Decision Trees, k-Nearest Neighbors, and XGBoost, in combination with ensemble classifiers. Stacking, voting, and bagging ensembles utilize these four supervised machine-learning methods to combine models. This study’s results illustrate the proposed technique’s efficacy in enhancing the accuracy of detecting DoS and brute-force attacks in MQTT traffic. Stacking and voting classifiers achieved the highest accuracy of 0.9538. Our approach outperforms the most recent study that utilized the same dataset.

چکیده به فارسی (ترجمه ماشینی)

توسعه سریع محیط اینترنت اشیاء (IoT) سطح بی سابقه اتصال و اتوماسیون را معرفی کرده است.پروتکل پیام حمل و نقل تله متری (MQTT) به دلیل ویژگی های سبک و کارآمد در برنامه های IoT شناخته شده است.با این حال ، این سادگی همچنین MQTT را در برابر حملات متعدد که می توانند علیه پروتکل انجام شود ، از جمله انکار سرویس (DOS) و حملات بی رحمانه ، آسیب پذیر می کند.این مطالعه با هدف بهبود تشخیص DOS نفوذ و حملات بی رحمانه در یک سیستم تشخیص نفوذ ترافیک MQTT (IDS) انجام شده است.رویکرد ما با استفاده از تکنیک های مهندسی ویژگی و یادگیری گروه ، از مجموعه داده MQTT برای آموزش مدل استفاده می کند.پس از تجزیه و تحلیل و مقایسه ما ، ما 10 ویژگی برتر را نشان دادیم که بالاترین اثربخشی را نشان می دهد و منجر به بهبود دقت مدل می شود.ما از مدل های یادگیری ماشین نظارت شده ، از جمله جنگل های تصادفی ، درختان تصمیم گیری ، همسایگان K-Nearest و XGBOOST در ترکیب با طبقه بندی کننده های گروه استفاده کردیم.جمع آوری ، رأی گیری و جمع آوری گروههای موسیقی از این چهار روش نظارت بر ماشین برای ترکیب مدل ها استفاده می کنند.نتایج این مطالعه نشان دهنده اثربخشی تکنیک پیشنهادی در افزایش صحت تشخیص DOS و حملات بی رحمانه در ترافیک MQTT است.طبقه بندی کننده های انباشته و رأی دهی به بالاترین دقت 0.9538 رسیدند.رویکرد ما از جدیدترین مطالعه ای که از همان مجموعه داده استفاده می کند بهتر است.