دانلود ترجمه مقاله تشخیص ناهنجاری و حملات در سایت ها و سنسورهای اینترنت اشیا

1. مقدمه 2. مروری بر مقالات 3. مواد و روش ها 4. پیاده سازی و تحلیل نتایج 5. نتیجه گیری

آشکار سازی حمله و ناهنجاری در زیرساخت اینترنت اشیاء (IoT) یکی از مسائل نوظهور در حیطه IoT می باشد. با افزایش استفاده از زیرساخت IoT در هر حیطه و زمینه، تهدیدات و حمله ها به این زیرساخت ها نیز رو به رشد می باشند. حمله های «رد خدمات»، «پروب نوع داده»، کنترل بدخواهانه، عملیات بدخواهانه، اسکن، جاسوسی و راه اندازی غلط، از جمله چنین حمله ها و ناهنجاری ها هستند که باعث خرابی یک سیستم IoT می شوند. در این مقاله، عملکرد چندین مدل یادگیری ماشینی جهت پیش بینی دقیق حمله ها و ناهنجاری ها برروی سیستم های IoT، مورد مقایسه قرار گرفته اند. الگوریتم های یادگیری ماشینی (ML) استفاده شده در اینجا عبارتند از «رگرسیون لجستیک» (LR)، «ماشین بردار پشتیبانی» (SVM)، درخت تصمیم (DT)، جنگل تصادفی (RF) و «شبکه عصبی مصنوعی» (ANN) می باشند. معیارهای ارزیابی استفاده شده در مقایسه عملکرد، عبارتند از دقت، صحت، یادآوری، نمره fi و مساحت زیر «منحنی مشخصه عملکردی گیرنده» می باشند. این سیستم دقت آزمون 4/99% برای «درخت تصمیم»، «جنگل تصادفی» و ANN حاصل کرد. اگرچه این فنون دقت یکسان دارند، اما معیارهای دیگر ثابت می کنند که «جنگل تصادفی» عملکرد به نسبت بهتری دارد. مقدمه: با افزایش تقاضا و رشد سیستم شبکه خودکار «اینترنت اشیاء» (IoT)، روز به روز مدل های IoT پیچیده تر می شوند [1، 2]. مردم به زیرساخت های داده محور عادت کرده اند و این باعث شده که پژوهش بیشتری بر کاربردهای برپایه یادگیری ماشینی همراه با IoT، صورت گیرد. فنون برپایه یادگیری در هر حیطه در حال حاضر در هر حیطه از زندگی انسانی استفاده می شوند. در پزشکی، تفسیر ECG، شناسایی بیماری با استفاده از X-Ray، یافتن الگو در داده های ژنومی، یک سیستم آسیب شناسی خودکار برای شناسایی سرطان، مدل سازی سیگنال مغز، که همگی امور پیچیده ای هستند، نیاز به استفاده از رویکردهای یادگیری ماشینی دارند [3]. کاربرد رویکردهای یادگیری ماشینی همچنین می تواند حوزه هوافضا را نیز تحت پوشش قرار دهد. دی آنجلو و همکاران [4]، روش بازیابی تصویر محتوایی و فنون یادگیری ماشینی را برروی سطح امپدانس الکتریکی تولید شده از آزمون جریان گردابی، را بکار گرفتند. آزمون جریان گردابی، یک کار پیچیده استفاده شده در صنایع هواپیمایی برای یافتن زدگی ها و نقایص می باشد. علاوه بر یادگیری ماشینی، خدمات IoT نیز برای این حیطه ها بکار گرفته می شوند. افزایش پیچیدگی در زیرساخت های IoT آسیب پذیری ناخواسته به سیستم های آنها را نیز افزایش می دهد. در ادوات IoT، نفوذ امنیتی و ناهنجاری، امروزه به پدیده های معمول تبدیل شده اند.

Attack and anomaly detection in the Internet of Things (IoT) infrastructure is a rising concern in the domain of IoT. With the increased use of IoT infrastructure in every domain, threats and attacks in these infrastructures are also growing commensurately. Denial of Service, Data Type Probing, Malicious Control, Malicious Operation, Scan, Spying and Wrong Setup are such attacks and anomalies which can cause an IoT system failure. In this paper, performances of several machine learning models have been compared to predict attacks and anomalies on the IoT systems accurately. The machine learning (ML) algorithms that have been used here are Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Artificial Neural Network (ANN). The evaluation metrics used in the comparison of performance are accuracy, precision, recall, f1 score, and area under the Receiver Operating Characteristic Curve. The system obtained 99.4% test accuracy for Decision Tree, Random Forest, and ANN. Though these techniques have the same accuracy, other metrics prove that Random Forest performs comparatively better. Introduction: With the increasing demand and growth in the Internet of Things (IoT) automated network system, the IoT models are getting complicated day by day [1,2]. People are being accustomed to data-driven infrastructure, and this is leading the research more on to Machine Learning based applications alongside IoT. IoT and Machine Learning based techniques are used in every domain of human life at present. In medicine, interpretation of ECG, disease detection using X-Ray, pattern finding in genomic data, an automated pathological system for cancer detection, brain signal modeling all these complex tasks requires the introduction of machine learning approaches [3]. The application of machine learning approaches can also cover the aerospace domain. D’Angelo et al. [4] applied content-based image retrieval technique and machine learning techniques on electrical impedance plane generated from eddy current testing. Eddy current testing is a complex task used in aircraft industries for finding out defects. Besides machine learning, IoT services are also applied to these domains. The growing complexity in IoT infrastructures is raising unwanted vulnerability to their systems. In IoT devices security breach and anomaly has become common phenomena nowadays.