مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 63 2025 8 2 Improving the accuracy of detection botnet attacks in Internet of Things network by using MLP neural network بهبود دقت تشخیص حملات بات¬نت در شبکه¬های اینترنت اشیا با استفاده از شبکه عصبی MLP fa صفیه سیادت پیام نور امیر تاجفر 2024 10 30 <span style="font-size: 11.0pt; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-fareast-font-family: Calibri; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'Times New Roman'; mso-bidi-theme-font: major-bidi;">Due to the increasing use of the Internet of Things around the world and the exponential increase in the number of devices connected to the network and the communication between them, the potential for security problems is increasing.<span style="mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-fareast-font-family: Calibri; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'Times New Roman'; mso-bidi-theme-font: major-bidi;"> Considering that many personal and public devices are connected to this network, any security problem can have unpredictable and significant consequences. <span style="mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-fareast-font-family: Calibri; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'Times New Roman'; mso-bidi-theme-font: major-bidi;">Internet of Things applications include smart cities, smart transportation, responsive environments, and some other specific things that are directly controlled by users or digital devices, <span style="mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-fareast-font-family: Calibri; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'Times New Roman'; mso-bidi-theme-font: major-bidi;">cyber-attacks through the Internet of Things and smart digital devices is the most important threat for these networks. So far, numerous researches have been conducted to detect Internet of Things attacks, in particular botnet attacks, as one of the most important attacks in this field. But the lack of a method that uses machine learning methods with high accuracy and low error to detect these attacks is strongly felt. In this research, by using the N-BaIoT dataset and Python simulator for modeling and also using deep learning methods and MLP neural network to evaluate and train the data (using the objective function and training), the neural system was used for detecting botnet attacks. This method obtained accuracy 90.35, precision 85.99, recall 90.53 and f1-score 87.50. Compared to other machine learning methods including random forest algorithm (RF), support vector machine algorithm (svm), K nearest neighbor algorithm (knn), XGBOOST algorithm, AdaBoost algorithm, the best result was obtained in all 4 evaluation parameters. با توجه &zwnj;به گسترش فزاینده استفاده از اینترنت اشیا در سراسر جهان و افزایش تصاعدی تعداد دستگاههای متصل به شبکه و ارتباط بین آن&zwnj;ها، پتانسیل مشکلات امنیتی در حال افزایش است و با توجه به اتصال بسیاری از وسایل به این شبکه ، هر گونه مشکل امنیتی میتواند تبعات غیر قابل پیشبینی و جبران ناپذیری را به دنبال داشته باشد. برنامه&zwnj;های کاربردی اینترنت اشیا شامل شهرهای هوشمند، حمل&zwnj;ونقل هوشمند، محیط&zwnj;های پاسخگو و برخی از موارد خاص دیگر که مستقیماً توسط کاربران یا وسیله دیجیتال کنترل می&zwnj;شوند هستند، بنابراین مهم&zwnj;ترین خطر موجود، حملات سایبری از طریق اینترنت اشیا و وسایل دیجیتال هوشمند است. تا کنون تحقیقات زیادی برای تشخیص حملات اینترنت اشیا بالاخص حملات باتنت به&zwnj;عنوان یکی از مهم&zwnj;ترین حملات این حوزه انجام شده است؛ اما فقدان روشی که با استفاده از روش&zwnj;های یادگیری ماشین با دقت بالا و خطای کم به تشخیص این حملات بپردازد به&zwnj;شدت احساس می&zwnj;شود. در این تحقیق با استفاده از دیتاست N-BaIoT و شبیه&zwnj;ساز پایتون برای مدل&zwnj;سازی و با بکارگیری روش&zwnj;های یادگیری عمیق و شبکه عصبی MLP جهت ارزیابی و آموزش داده&zwnj;ها (با استفاده از تابع هدف و آموزش)، سیستم عصبی برای تشخیص حملات  باتنت به کار برده شد. این روش Accuracy 90.35،  Precision 85.99، Recall 90.53 و F1-Score  87.50 به دست آورد و در مقایسه با سایر روش&zwnj;های یادگیری ماشین شامل الگوریتم جنگل تصادفی (RF)، الگوریتم ماشین بردار پشتیبان  (SVM)، الگوریتم K نزدیک&zwnj;ترین همسایه  (KNN)، الگوریتم XGBOOST، الگوریتم AdaBoost در هر 4 پارامتر ارزیابی Accuracy،Precision ، Recall وF1-Score  بهترین نتیجه را کسب کرد.

http://jour.aicti.ir/fa/Article/Download/48426