DOI: https://doi.org/10.1038/s41598-024-81147-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39809814
تاريخ النشر: 2025-01-14
المؤلف: Saad Alqahtany وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تتناول ورقة البحث التحديات التي تطرحها تهديدات الأمن السيبراني في بيئة إنترنت الأشياء (IoT)، مع التأكيد على الحاجة إلى أنظمة كشف التسلل الفعالة (IDS). تواجه أنظمة IDS التقليدية صعوبات بسبب الطبيعة الديناميكية ومتعددة الأبعاد لتهديدات إنترنت الأشياء. لتعزيز أداء IDS، تقترح الورقة خوارزمية تحسين الذئب الرمادي المعزز (EGWO) لاختيار الميزات، والتي تهدف إلى تحديد وإزالة الميزات غير الضرورية من مجموعات البيانات المستخدمة في كشف التسلل. يتم تقييم فعالية تقنية EGWO باستخدام مجموعة بيانات NF-ToN-IoT، محققة دقة تصنيف عالية تبلغ 99.93% مع مجموعة ميزات محسّنة من 23 من أصل 43 ميزة، متفوقة على المنهجيات الحالية.
في الخاتمة، تسلط الدراسة الضوء على إمكانيات خوارزمية EGWO لتحسين أداء IDS من خلال اختيار الميزات الفعال. بينما تُظهر الطريقة دقة عالية، فإنها تُدخل أيضًا تعقيدات حسابية، خاصة في البيئات القابلة للتوسع بشكل كبير بسبب زيادة استخدام الذاكرة ووقت المعالجة. تقترح الورقة أن العمل المستقبلي يمكن أن يتضمن دمج EGWO مع خوارزمية تحسين سرب الجسيمات (PSO) لتعزيز القابلية للتوسع والتقارب، مستفيدة من آليات PSO لاختيار الميزات المثلى مع الحفاظ على قدرات التعلم التكيفية لـ EGWO. يهدف هذا الدمج إلى تحسين عملية اختيار الميزات بشكل أكبر، مما يضمن تحسين الأداء في سيناريوهات هجوم إنترنت الأشياء المتنوعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الاعتماد المتزايد على تطبيقات الإنترنت عبر مختلف القطاعات، مثل التجارة الإلكترونية والتعلم الإلكتروني، مما أدى إلى زيادة المخاوف المتعلقة بالخصوصية والأمان. إن الزيادة في خروقات الأمن السيبراني، المدفوعة بالبرمجيات الخبيثة المتطورة، تشكل تهديدات كبيرة لسرية وسلامة وتوافر أنظمة المعلومات. ومن الجدير بالذكر أن هجمات اليوم الصفري والتهديدات السيبرانية الفريدة ظهرت كأحد التحديات الحرجة، مما يؤثر بشكل خاص على الخدمات الأساسية مثل الرعاية الصحية. تمثل هجمة الفدية الأخيرة على مستشفيات لندن مثالًا على الحاجة الملحة إلى تدابير قوية للأمن السيبراني، بما في ذلك تطوير أنظمة كشف التسلل المبتكرة (IDS).
تناقش الورقة نوعين رئيسيين من IDS—أنظمة كشف التسلل المعتمدة على المضيف (HIDS) وأنظمة كشف التسلل المعتمدة على الشبكة (NIDS)—ومنهجيات الكشف الخاصة بها، والتي تشمل الأساليب المعتمدة على الشذوذ والأساليب المعتمدة على التوقيع. بينما تعتمد الأساليب المعتمدة على التوقيع على الاتجاهات المعروفة، تستخدم الأساليب المعتمدة على الشذوذ ملفات تعريف النشاط المدربة مسبقًا، مما يؤدي غالبًا إلى معدلات إيجابية كاذبة عالية. يُقترح دمج تقنيات التعلم الآلي (ML) في IDS لتعزيز الكشف وتصنيف الهجمات السيبرانية. علاوة على ذلك، يتم التأكيد على أهمية اختيار الميزات (FS) في تحسين أداء IDS، مع تحديد الخوارزميات الميتا-heuristic المستوحاة من الأنظمة البيولوجية كأدوات فعالة لـ FS. هذه الخوارزميات مناسبة بشكل خاص للتعامل مع بيئات البيانات المعقدة والديناميكية، مما يحسن الفعالية العامة لـ IDS في الكشف عن التهديدات في الوقت الحقيقي.
الطرق
تستعرض هذه القسم المنهجيات المستخدمة في تطوير نظام كشف التسلل (IDS) المصمم خصيصًا لشبكات إنترنت الأشياء (IoT). يبدأ بمراجعة شاملة لـ IDS المصممة خصيصًا لبيئات IoT، موضحًا الأسس النظرية المعتمدة على نهج اختيار الميزات (FS). يتناول القسم أيضًا تقنيات FS المختلفة التي تسهل كشف التسلل من خلال تحليل حركة مرور شبكة IoT، إلى جانب مراجعة للمنهجيات الشائعة لـ IDS.
بالإضافة إلى ذلك، يصف القسم الخوارزمية المعتمدة على الميتا-heuristic المختارة للتنفيذ ضمن إطار عمل IDS المقترح. هذه الخوارزمية أساسية لتعزيز كفاءة النظام وفعاليته في تحديد التسللات المحتملة. بشكل عام، تهدف المنهجية المقدمة إلى توفير أساس قوي لنموذج IDS المقترح، مما يضمن قابليته للاستخدام وموثوقيته في سياق شبكات إنترنت الأشياء.
النتائج
في هذا القسم، يتم تقديم نتائج تقييم أداء تقنية نظام كشف التسلل المقترح (IDS) باستخدام مجموعة بيانات NF-ToN-IoT. تم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للاختبار، مع توضيح هجمات مستهدفة مختلفة في الشكل 8. استخدم الإعداد التجريبي جهاز كمبيوتر بمعالج Intel Core i3 من الجيل الحادي عشر، وذاكرة RAM سعة 8 جيجابايت، وقرص SSD سعة 256 جيجابايت، مع استخدام Jupyter Notebook وPandas للتنفيذ. تم استخدام خوارزمية تحسين الذئب الرمادي المعزز (EGWO) لاختيار 23 ميزة هامة من مجموعة البيانات، كما هو موضح في الجدول 6، مما يعزز قدرة النموذج على التمييز بين الأنشطة الشبكية الشرعية والتسللات.
تشير النتائج إلى أن عملية اختيار الميزات تحسن بشكل كبير من دقة IDS من خلال تقليل الإيجابيات الكاذبة. يتم تصوير العلاقة بين درجات الدقة وعملية التحسين في الشكل 10، مما يوضح أنه مع اقتراب قيمة الملاءمة، تتحسن دقة IDS. من الجدير بالذكر أن خوارزمية EGWO تتقارب بشكل أسرع من خوارزمية تحسين الذئب الرمادي القياسية (GWO)، مما يؤدي إلى أداء تنبؤي أفضل في تحديد التسللات المحتملة في شبكات إنترنت الأشياء.
المناقشة
في قسم المناقشة من ورقة البحث، يتم مراجعة منهجيات مختلفة لأنظمة كشف التسلل الشاذة (IDS)، مع تسليط الضوء على التحديات التي تواجهها، مثل حجم بيانات الشبكة والقدرة على التكيف مع البيئات الديناميكية. تؤكد الورقة على الدور الواعد للتعلم الآلي في تعزيز قدرات IDS، مع دراسات ملحوظة تُظهر دقة تصنيف عالية من خلال تقنيات مبتكرة. على سبيل المثال، حقق Zhang وآخرون دقة تقارب 99% باستخدام نموذج شبكة اعتقاد عميقة تم تحسينه بواسطة خوارزمية جينية، بينما جمع Dwivedi وآخرون بين اختيار الميزات التجميعي مع خوارزمية تحسين تكيفية لتحديد أنواع الهجمات بشكل فعال.
تحدد الورقة فجوات كبيرة في أطر IDS الحالية، لا سيما فيما يتعلق بتوازن الاستكشاف والاستغلال وقضايا القابلية للتوسع. لمعالجة هذه القضايا، يقترح المؤلفون خوارزمية تحسين الذئب الرمادي المعزز (EGWO)، التي تعدل عملية تحديث الموقع لتحسين دقة الكشف في شبكات إنترنت الأشياء. تعزز خوارزمية EGWO التوازن بين الاستكشاف والاستغلال من خلال دمج ذئب أوميغا، مما يقلل من تأثير اتخاذ القرار للذئاب الفردية ويسهل تقاربًا أكثر توازنًا نحو الحلول المثلى. من المتوقع أن تحسن هذه التقدم المنهجي الأداء العام لـ IDS، لا سيما من حيث اختيار الميزات ودقة التصنيف، كما يتضح من خلال التقييمات باستخدام مجموعة بيانات NF-ToN-IoT.
القيود
يسلط قسم القيود الضوء على عدة تحديات مرتبطة بالطريقة المقترحة، خاصة عند تطبيقها على البيانات عالية الأبعاد. تشمل القضايا الرئيسية صعوبات في اختيار الميزات، مما قد يؤدي إلى دقة منخفضة وزيادة في أوقات الحساب. على الرغم من هذه التحديات، تُظهر الطريقة قدرات فعالة في اختيار الميزات، مما يؤدي إلى تحسين الدقة وتقليل أوقات الحساب مقارنة بالأساليب التقليدية. تؤكد هذه الثنائية على الحاجة إلى اعتبار دقيق للأبعاد عند تنفيذ الطريقة المقترحة في التطبيقات العملية.
DOI: https://doi.org/10.1038/s41598-024-81147-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39809814
Publication Date: 2025-01-14
Author(s): Saad Alqahtany et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research paper addresses the challenges posed by cybersecurity threats in the Internet of Things (IoT) environment, emphasizing the need for effective Intrusion Detection Systems (IDS). Traditional IDS face difficulties due to the dynamic and multi-dimensional nature of IoT threats. To enhance IDS performance, the paper proposes the Enhanced Grey Wolf Optimization (EGWO) algorithm for feature selection, which aims to identify and eliminate unnecessary features from datasets used in intrusion detection. The effectiveness of the EGWO technique is evaluated using the NF-ToN-IoT dataset, achieving a high classification accuracy of 99.93% with an optimized feature set of 23 out of 43 features, outperforming existing methodologies.
In the conclusion, the study highlights the potential of the EGWO algorithm to improve IDS performance through effective feature selection. While the approach demonstrates high accuracy, it also introduces computational complexities, particularly in highly scalable environments due to increased memory usage and processing time. The paper suggests that future work could involve integrating EGWO with the Particle Swarm Optimization (PSO) algorithm to enhance scalability and convergence, leveraging PSO’s mechanisms for optimal feature selection while maintaining the adaptive learning capabilities of EGWO. This integration aims to refine the feature selection process further, ensuring improved performance in diverse IoT attack scenarios.
Introduction
The introduction of the research paper highlights the increasing reliance on internet applications across various sectors, such as e-commerce and e-learning, which has led to heightened privacy and security concerns. The rise in cyber-security breaches, driven by sophisticated malicious software, poses significant threats to the confidentiality, integrity, and availability of information systems. Notably, zero-day attacks and unique cyber threats have emerged as critical challenges, particularly affecting essential services like healthcare. A recent ransomware attack on London hospitals exemplifies the urgent need for robust cybersecurity measures, including the development of innovative Intrusion Detection Systems (IDS).
The paper discusses the two main types of IDS—Host-based Intrusion Detection Systems (HIDS) and Network-based Intrusion Detection Systems (NIDS)—and their detection methodologies, which include anomaly-based and signature-based approaches. While signature-based methods rely on established trends, anomaly-based methods utilize pre-trained activity profiles, often resulting in high false positive rates. The integration of machine learning (ML) techniques into IDS is proposed to enhance the detection and classification of cyberattacks. Furthermore, the importance of feature selection (FS) in optimizing IDS performance is emphasized, with meta-heuristic algorithms inspired by biological systems being identified as effective tools for FS. These algorithms are particularly suited for handling complex, dynamic data environments, thereby improving the overall efficacy of IDS in real-time threat detection.
Methods
This section outlines the methodologies employed in the development of an Intrusion Detection System (IDS) tailored for Internet of Things (IoT) networks. It begins with a comprehensive overview of IDS specifically designed for IoT environments, detailing the theoretical underpinnings based on the Feature Selection (FS) approach. The section further elaborates on various FS techniques that facilitate intrusion detection through the analysis of IoT network traffic, alongside a review of prevalent IDS methodologies.
Additionally, the section describes the metaheuristic-based algorithm selected for implementation within the proposed IDS framework. This algorithm is integral to enhancing the system’s efficiency and effectiveness in identifying potential intrusions. Overall, the methodology presented aims to provide a robust foundation for the proposed IDS model, ensuring its applicability and reliability in the context of IoT networks.
Results
In this section, the results of the performance evaluation of the proposed intrusion detection system (IDS) technique using the NF-ToN-IoT dataset are presented. The dataset was split into 80% for training and 20% for testing, with various targeted attacks illustrated in Figure 8. The experimental setup utilized a computer with an 11th Gen Intel Core i3 processor, 8 GB RAM, and a 256 GB SSD, employing Jupyter Notebook and Pandas for implementation. The Enhanced Grey Wolf Optimization (EGWO) algorithm was employed to select 23 significant features from the dataset, as detailed in Table 6, which enhances the model’s ability to differentiate between legitimate and intrusive network activities.
The results indicate that the feature selection process significantly improves the accuracy of the IDS by reducing false positives. The relationship between the accuracy scores and the optimization process is depicted in Figure 10, demonstrating that as the fitness value converges, the accuracy of the IDS improves. Notably, the EGWO algorithm converges more rapidly than the standard Grey Wolf Optimization (GWO) algorithm, leading to better predictive performance in identifying potential intrusions in IoT networks.
Discussion
In the discussion section of the research paper, various methodologies for Anomalous Intrusion Detection Systems (IDS) are reviewed, highlighting the challenges faced, such as network data size and adaptability to dynamic environments. The paper emphasizes the promising role of machine learning in enhancing IDS capabilities, with notable studies demonstrating high classification accuracy through innovative techniques. For instance, Zhang et al. achieved approximately 99% accuracy using a deep belief network model optimized by a genetic algorithm, while Dwivedi et al. combined ensemble feature selection with an adaptive optimization algorithm to effectively identify attack types.
The paper identifies significant gaps in existing IDS frameworks, particularly concerning exploration-exploitation balance and scalability issues. To address these, the authors propose an Enhanced Grey Wolf Optimization (EGWO) algorithm, which modifies the position update process to improve detection accuracy in IoT networks. The EGWO algorithm enhances the trade-off between exploration and exploitation by incorporating an omega wolf, thereby reducing the decision-making impact of individual wolves and facilitating a more balanced convergence towards optimal solutions. This methodological advancement is expected to improve the overall performance of IDS, particularly in terms of feature selection and classification accuracy, as demonstrated through evaluations using the NF-ToN-IoT dataset.
Limitations
The section on limitations highlights several challenges associated with the proposed method, particularly when applied to high-dimensional data. Key issues include difficulties in feature selection, which can lead to low accuracy and increased computation times. Despite these challenges, the method demonstrates effective feature selection capabilities, resulting in improved accuracy and reduced computation times compared to traditional approaches. This duality underscores the need for careful consideration of dimensionality when implementing the proposed method in practical applications.