DOI: https://doi.org/10.1038/s41598-025-33242-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41491357
تاريخ النشر: 2026-01-05
المؤلف: Abdulwahid Al Abdulwahid وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تقدم البحث نموذجًا جديدًا لنظام كشف التسلل الهجين (IDS)، يسمى Hybrid IBGWO-PSO مع Random Forest (RF)، مصمم لاكتشاف التسللات في شبكات إنترنت الأشياء (IoT) واسعة النطاق بدقة عالية. يستفيد النموذج من تحسين خوارزمية تحسين الذئب الرمادي الثنائي (IBGWO) وخوارزمية تحسين سرب الجسيمات (PSO) لاختيار مجموعة فرعية من الميزات من مجموعة بيانات CIC-ToT-2023، محققًا تقاربًا محسنًا مع عامل هجين قدره $\alpha=0.7$. بشكل محدد، حددت عملية اختيار الميزات 26 من أصل 47 ميزة، مما أدى إلى تحسين مقاييس الأداء لمصنف RF.
أظهرت المنهجية المقترحة أداءً استثنائيًا، حيث حققت دقة بنسبة 99.96% واسترجاع بنسبة 99.89% عبر أنواع الهجمات المختلفة. تتجلى قوة النموذج أيضًا من خلال متوسط F1-score الكلي العالي البالغ 99.41% ومصفوفة الارتباك التي تشير إلى الحد الأدنى من التصنيفات الخاطئة. تؤكد التحليلات المقارنة مع الأساليب المعاصرة أن هذا النموذج يحقق أعلى دقة مسجلة في هذا المجال، مما يوفر حلاً فعالًا لحماية أجهزة IoT ضد التهديدات السيبرانية المتنوعة. قد تركز الأعمال المستقبلية على تحسين عملية اختيار الميزات واستكشاف خوارزميات تعلم الآلة الإضافية لتعزيز قدرات الكشف.
مقدمة
تناقش مقدمة الورقة إنترنت الأشياء (IoT) كشبكة من الأجهزة المتصلة التي تشارك البيانات والخدمات بشكل مستقل عبر الإنترنت. بينما تعزز هذه الأجهزة الذكية من التحكم والكفاءة التشغيلية للمستخدم، فإنها تمثل أيضًا مخاطر كبيرة تتعلق بسلامة البيانات وسرية المعلومات بسبب إمكانية الاعتراض والتسلل. من المتوقع أن يكون للأثر الاقتصادي لإنترنت الأشياء الصناعية تأثير كبير، مع زيادة تقدر بـ 14.2 تريليون دولار بحلول عام 2030، مما يعود بالنفع بشكل خاص على قطاعات التصنيع والرعاية الصحية. مع تزايد تعقيد بيئات IoT، يصبح ضمان الاتصال الآمن والموثوق بين الأجهزة أمرًا بالغ الأهمية، مما يتطلب أنظمة ثقة وإدارة قوية.
تسلط الورقة الضوء على القدرات الآلية لأجهزة IoT، التي تستخدم بروتوكولات مثل UPnP وmDNS للتكوين الذاتي، مما يقلل من متطلبات الإعداد اليدوي. تطلب هذه الأجهزة عناوين IP ديناميكيًا وتستفيد من خوارزميات تعلم الآلة (ML) لتحسين عملياتها في الوقت الحقيقي، مما يقلل من الحاجة إلى التدخل البشري. ومع ذلك، لا تزال التحديات الأمنية قائمة، خاصة خلال الإعداد الأولي لشبكات IoT، حيث يمكن أن يؤدي الوصول غير المصرح به إلى انتهاكات اتفاقية مستوى الخدمة (SLA) وخسائر مالية كبيرة. على الرغم من أن أنظمة كشف التسلل الحالية (IDS) أظهرت فعالية في اكتشاف الهجمات، لا يزال هناك حاجة ملحة لتحسين طرق الكشف لحماية الأجهزة المتصلة عبر مختلف القطاعات، بما في ذلك الرعاية الصحية والتعليم والزراعة.
النتائج
في قسم النتائج، يتم تقييم أداء نموذج كشف التسلل الهجين IBGWO-PSO-RF المقترح باستخدام مجموعة بيانات CIC-IoT-2023. يتم تقديم التصنيف الأصلي لفئات الهجمات في الجدول 4، الذي يعمل كخط أساس قبل تطبيق تقنيات SMOTE (تقنية زيادة العينة للأقليات الاصطناعية) وتقنيات التقليل من العينة. بعد هذه التعديلات، توضح الشكل 5 الفئات الرئيسية للهجمات المستخدمة للتدريب (80%) والاختبار (20%).
تقدم مزيد من التحليلات في الجدول 5، الذي يوضح معلمات اختيار الميزات المثلى المصممة لشبكات IoT واسعة النطاق. يتم مناقشة مبررات اختيار قيم المعلمات الفائقة، مع تسليط الضوء على تحسينها التجريبي عبر عدة تكرارات. يلخص الجدول 6 المعلمات الفائقة المختبرة والمثلى، جنبًا إلى جنب مع مبررات تحسينها. بالإضافة إلى ذلك، يقدم الجدول 7 تباينات الأداء، مع التركيز بشكل خاص على درجة F1، والميزات المختارة، والدقة عبر إعدادات المعلمات الفائقة المختلفة. تستخدم الدراسة منصة علم بيانات قائمة على Python، مستفيدة من مكتبات مثل imbalanced-learn لإعادة عينة مجموعة البيانات، وPandas لمعالجة البيانات، وScikit-learn لبناء النموذج، جميعها تم تنفيذها ضمن بيئة Jupyter Notebook.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على التحديات الكبيرة المتعلقة بالأمن والخصوصية التي تطرحها الزيادة في عدد أجهزة إنترنت الأشياء (IoT)، والتي من المتوقع أن تتجاوز 22 مليار. تعقد هتروجينية شبكات IoT من تدابير الأمان، حيث أثبتت التقنيات التقليدية مثل أنظمة كشف التسلل (IDS) والتحكم في الوصول والمصادقة عدم كفايتها. تؤكد الورقة على ضرورة وجود IDS متخصصة مصممة لبيئات IoT، قادرة على تحليل حزم البيانات عبر طبقات الشبكة المختلفة وإنتاج استجابات في الوقت الحقيقي. يجادل المؤلفون بأن حلول IDS الحالية غالبًا ما تكون غير كافية بسبب أحجام البيانات الكبيرة، ومتطلبات الكفاءة، والحاجة إلى الحد الأدنى من قوة المعالجة، مما يتطلب تحسين الميزات لتعزيز الأداء.
لمعالجة هذه التحديات، يقترح المؤلفون خوارزمية هجينة جديدة، وهي تحسين الذئب الرمادي الثنائي المحسن وخوارزمية تحسين سرب الجسيمات (IBGWO-PSO)، تهدف إلى تحديد الميزات الأكثر صلة بكشف التسلل. يدمج هذا النهج تقنية Random Forest (RF) لإنشاء IDS عالية الدقة قادرة على التخفيف من الهجمات واسعة النطاق في شبكات IoT، تم تقييمها باستخدام أحدث مجموعة بيانات CIC-IoT-2023. توضح الورقة الإطار المنهجي لهذا IDS، والذي يتضمن إعداد البيانات، واختيار الميزات، ومراحل التصنيف، مما يسهم في آلية كشف أكثر قوة وكفاءة تتكيف مع التهديدات السيبرانية المتطورة. تؤكد النتائج على أهمية الاستفادة من الخوارزميات الميتاهيرستية المتقدمة لتعزيز قدرات الكشف عن IDS في المشهد الديناميكي لأمن IoT.
القيود
يظهر نموذج كشف التسلل الهجين IBGWO-PSO-RF المقترح أداءً فعالًا على مجموعة بيانات CIC-IoT-2023؛ ومع ذلك، فإنه يخضع لعدة قيود يجب الاعتراف بها لفهم شامل لنتائجه. واحدة من القضايا المهمة هي إمكانية أن يصاب مصنف Random Forest بالتكيف المفرط مع الأنماط الإحصائية الخاصة بمجموعة البيانات بسبب مجموعة الميزات عالية الأبعاد والفصل الكبير في مجموعات بيانات IoT المختلفة. بالإضافة إلى ذلك، قد يؤدي استخدام زيادة العينة SMOTE، على الرغم من كونه ضروريًا لمعالجة اختلالات الفئات الشديدة، إلى إنشاء آثار زائفة لا تمثل بدقة أنماط حركة المرور في العالم الحقيقي للفئات الأقل. يمكن أن تشوه هذه الآثار الدقة المبلغ عنها وتؤثر على تعلم حدود القرار.
علاوة على ذلك، فإن الطبيعة المتطورة للتسللات في IoT تشكل تحديًا، حيث غالبًا ما تظهر أنواع الهجمات الجديدة اختلافات دقيقة في سلوك الحزم. وبالتالي، قد تعاني النماذج المدربة على مجموعات بيانات ثابتة من انخفاض في قدرات الكشف على المدى الطويل ما لم يتم إعادة تدريبها بانتظام باستخدام بيانات حركة المرور المحدثة من البيئات التشغيلية. علاوة على ذلك، تواجه أنظمة كشف التسلل المعتمدة على تعلم الآلة (IDS) في أنظمة IoT واسعة النطاق تحديات عملية، بما في ذلك هتروجينية الأجهزة المتصلة، وقيود الذاكرة وقوة المعالجة عند الحافة، وبروتوكولات الاتصال المجزأة، وقيود الموارد. على الرغم من أن النهج الهجين المقترح يقلل من الحمل الحسابي أثناء الكشف، فإن التنفيذ في الوقت الحقيقي على البوابات المقيدة أو عقد الضباب سيتطلب توسيع النموذج، أو تقليم، أو تحسينات واعية للحافة لضمان الفعالية.
DOI: https://doi.org/10.1038/s41598-025-33242-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41491357
Publication Date: 2026-01-05
Author(s): Abdulwahid Al Abdulwahid et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research presents a novel Hybrid Intrusion Detection System (IDS) model, termed Hybrid IBGWO-PSO with Random Forest (RF), designed to detect intrusions in large-scale Internet of Things (IoT) networks with high accuracy. The model leverages an improved binary Grey Wolf Optimization (IBGWO) and Particle Swarm Optimization (PSO) algorithms to effectively select a subset of features from the CIC-ToT-2023 dataset, achieving optimized convergence with a hybrid factor of $\alpha=0.7$. Specifically, the feature selection process identified 26 out of 47 features, resulting in enhanced performance metrics for the RF classifier.
The proposed methodology demonstrated exceptional performance, achieving an accuracy of 99.96% and a recall of 99.89% across various attack types. The robustness of the model is further evidenced by a high macro average F1-score of 99.41% and a confusion matrix indicating minimal misclassifications. Comparative analysis with contemporary approaches confirms that this model achieves the highest reported accuracy in the field, thereby offering an effective solution for safeguarding IoT devices against diverse cyber threats. Future work may focus on further refining the feature selection process and exploring additional machine learning algorithms to enhance detection capabilities.
Introduction
The introduction of the paper discusses the Internet of Things (IoT) as a network of interconnected devices that autonomously share data and services over the Internet. While these smart devices enhance user control and operational efficiency, they also pose significant risks regarding data integrity and confidentiality due to potential interception and intrusion. The economic impact of the Industrial IoT is projected to be substantial, with an estimated increase of $14.2 trillion by 2030, particularly benefiting the manufacturing and healthcare sectors. As IoT environments become increasingly complex, ensuring secure and reliable device communication is paramount, necessitating robust trust and management systems.
The paper highlights the automated capabilities of IoT devices, which utilize protocols like UPnP and mDNS for self-configuration, thereby minimizing manual setup requirements. These devices dynamically request IP addresses and leverage machine learning (ML) algorithms to optimize their operations in real-time, reducing the need for human intervention. However, security challenges persist, particularly during the initial setup of IoT networks, where unauthorized access can lead to Service Level Agreement (SLA) violations and significant financial losses. Although existing intrusion detection systems (IDS) have shown effectiveness in detecting attacks, there remains a critical need for improved detection methods to safeguard connected devices across various sectors, including healthcare, education, and agriculture.
Results
In the Results section, the performance of the proposed Hybrid IBGWO-PSO-RF intrusion detection model is evaluated using the CIC-IoT-2023 dataset. The original classification of attack categories is presented in Table 4, which serves as a baseline prior to the application of SMOTE (Synthetic Minority Over-sampling Technique) and under-sampling techniques. Following these adjustments, Figure 5 illustrates the primary attack categories utilized for training (80%) and testing (20%).
Further analysis is provided in Table 5, which details the optimal feature selection parameters tailored for large-scale IoT networks. The justification for the selection of hyperparameter values is discussed, highlighting their experimental optimization across multiple iterations. Table 6 summarizes the tested and optimal hyperparameters, along with the rationale for their optimization. Additionally, Table 7 presents performance variations, specifically focusing on the F1 score, selected features, and accuracy across different hyperparameter settings. The study employs a Python-based data science platform, utilizing libraries such as imbalanced-learn for dataset resampling, Pandas for data processing, and Scikit-learn for model construction, all executed within a Jupyter Notebook environment.
Discussion
The discussion section of the research paper highlights the significant security and privacy challenges posed by the increasing number of Internet of Things (IoT) devices, projected to exceed 22 billion. The heterogeneity of IoT networks complicates security measures, as traditional techniques such as Intrusion Detection Systems (IDS), access control, and authentication have proven inadequate. The paper emphasizes the necessity for specialized IDS tailored for IoT environments, capable of analyzing data packets across various network layers and producing real-time responses. The authors argue that existing IDS solutions often fall short due to high data volumes, efficiency requirements, and the need for minimal processing power, necessitating feature optimization to enhance performance.
To address these challenges, the authors propose a novel hybrid algorithm, the improved binary Grey Wolf Optimization and Particle Swarm Optimization (IBGWO-PSO), aimed at identifying the most relevant features for intrusion detection. This approach integrates the Random Forest (RF) technique to create a highly accurate IDS capable of mitigating large-scale attacks in IoT networks, evaluated using the latest CIC-IoT-2023 dataset. The paper outlines the methodological framework for this IDS, which includes data preparation, feature selection, and classification stages, ultimately contributing to a more robust and efficient detection mechanism that adapts to evolving cyber threats. The findings underscore the importance of leveraging advanced metaheuristic algorithms to enhance the detection capabilities of IDS in the dynamic landscape of IoT security.
Limitations
The proposed Hybrid IBGWO-PSO-RF intrusion detection model demonstrates effective performance on the CIC-IoT-2023 dataset; however, it is subject to several limitations that must be acknowledged for a comprehensive understanding of its findings. One significant concern is the potential for the Random Forest classifier to overfit to dataset-specific statistical patterns due to the high-dimensional feature set and substantial separability in various IoT datasets. Additionally, the use of SMOTE oversampling, while essential for addressing extreme class imbalances, may inadvertently create false artifacts that do not accurately represent real-world traffic patterns of minority classes. These artifacts can distort reported accuracy and affect the learning of decision boundaries.
Moreover, the evolving nature of IoT intrusions poses a challenge, as new attack variants often exhibit subtle differences in packet behavior. Consequently, models trained on static datasets may experience diminished long-term detection capabilities unless they are regularly retrained with updated traffic data from operational environments. Furthermore, the deployment of machine learning-based intrusion detection systems (IDS) in large-scale IoT systems faces practical challenges, including the heterogeneity of connected devices, limited memory and processing power at the edge, fragmented communication protocols, and resource constraints. Although the proposed hybrid approach mitigates computational overhead during detection, real-time implementation on constrained gateways or fog nodes will require model scaling, pruning, or edge-aware optimizations to ensure efficacy.