Бул изилдөө, Нерселер интернети торlarındaki нормалдуу жана чабуул трафигиni ayırmak үчүн iki aşamalı bir derin öğrenme yaklaşımı önermektedir. İlk aşamada bir boyutlu конволюциялык нейрон тармагы, тармак трафигиndeki özellikleri çıkarmakta; Aquila оптималдаштыруу алгоритми ise классификация açısından daha yararlı özellikleri seçmeyi amaçlamaktadır. İkinci aşamada көңүл буруу механизмиyla desteklenen көп толкунча yönelimli bir авто-коддоочу, нормалдуу трафик менен кызматтан баш тарттыруу, сканерлөө жана укукту жогорулатуу чабуулдарını классификацияktadır.

Изилдөөчүлөр modeli NSL-KDD маалымат топтому үстүндө değerlendirmiş жана жыйынтык bölümünde yüzde 99,35 тактык, yüzde 99,28 тактык, yüzde 98,49 сезимталдык жана yüzde 98,89 F1 көрсөткүчү билдирген. Modelin ayrıca karşılaştırılan bazı ыкмаlerden daha kısa инференция убактысы, төмөнүрөөк CPU колдонулушу жана sabit эс тутум сарпталышы gösterdiği мененri sürülmektedir.

Bununla birlikte изилдөөnın сандык жыйынтыктарı ортосунда маанилүү uyumsuzluklar vardır. Sunulan ikili чаташуу матрицасыndeki 10.000 örneğin 9.989’u doğru sınıflandırılmıştır; bu, doğrudan yüzde 99,89 doğruluğa karşılık gelmekte жана bildirмененn yüzde 99,35 değeriyle uyuşmamaktadır. Beş sınıflı matriste ise 10.000 örneğin 9.986’sı doğru sınıflandırılmıştır жана doğrudan hesaplanan тактык yüzde 99,86’dır. En az örneğe sahip U2R sınıfında matris үстүндө yalnızca üç gerçek örneğin ikisi doğru sınıflandırılmıştır; bu sınıf үчүн matristen hesaplanan сезимталдык yüzde 66,67 olmasına rторmen metinde yüzde 98,3 değeri жанаrilmektedir.

Bu nedenle изилдөө, көңүл буруу механизми, CNN, meta-sezgisel өзгөчөлүк тандоо жана толкунча tabanlı авто-коддоочулардын ошол эле mimaride birleştirмененbildiğini көрсөтөт; ancak bildirмененn performans değerleri, ишке ашыруу деталдары жана математикалык аныктамалар ортосундаki tutarsızlıklar giderilmeden ыкмаin gerçek IoT тармактарында yüzde 99’un үстүндө güжанаnilirlikle çalıştığı sonucuna varılamaz.

Изилдөөнүн ele aldığı sorun nedir?

Нерселер интернети sistemleri; сенсорler, kameralar, akıllı ev cihazları, endüstriyel kontrol bмененşenleri жана haberleşme модульleri gibi çok sayıda bторlı cihazdan oluşmaktadır. Bu cihazların тор үстүндөn жанаri göndermesi, saldırganların кызматтан баш тарттыруу, тор сканерлөө, уруксатсыз кирүү жана артыкчылыкты жогорулатуу gibi чабуулдар gerçekleştirebмененceği geniş bir бет oluşturur.

Geleneksel чабуул табуу sistemleri мурдаden tanımlanmış kuralları же imzaları kullanabilir. Makine öğrenmesi tabanlı sistemler ise тармак трафигиndeki örüntülerden normal жана anormal davranışları öğrenmeye çalışır. Ancak тармак жазуулары жогорку boyutlu, gürültülü жана sınıflar açısından dengesiz болушу мүмкүн. Özellikle nadir görülen чабуулдарın çok az örnekle temsil edilmesi, жогорку genel doğruluğa rторmen kritik чабуулдарın gözden kaçmasına neden болушу мүмкүн.

Изилдөөnın hedefi, тор жанаrisindeki yararlı özellikleri otomatik катары çıkaran жана seçen bir model менен bu özellikleri ар башка ölçeklerde temsil eden bir авто-коддоочуyı birleştirmektir. Önerмененn mimari iki негизги bмененşenden oluşmaktadır:

• AO-CNN: Aquila оптималдаштыруу алгоритми менен desteklenen конволюциялык нейрон тармагы.
• AMV-AE: Dikkat tabanlı, көп толкунча yönelimli авто-коддоочу.

Modelin genel işlem агымı nasıldır?

Şekil 1’deki mimariye боюнча süreç şu sırayla мененrlemektedir:

1. NSL-KDD маалымат топтомуnden тармак трафиги kayıtları alınır.
2. Eksik жанаrмененr kontrol edilir жана жанаrмененr min–maks ыкмаiyle normalize edilir.
3. Bir boyutlu CNN kullanılarak өзгөчөлүк карталары çıkarılır.
4. Aquila оптималдаштыруу алгоритми en uygun olduğu kabul edмененn özellikleri seçer.
5. Seçмененn özellikler dikkat tabanlı көп толкунча авто-коддоочуya жанаrilir.
6. Model trafik kaydını normal же чабуул катары sınıflandırır.
7. Çok sınıflı баалооde trafik Normal, DoS, Probe, U2R жана R2L sınıflarından birine atanır.

Şekil 4’te daha ayrıntılı bir агым şeması sunulmuş; жанаri temizleme, normalizasyon, CNN katmanları, ReLU, havuzlama, Aquila менен өзгөчөлүк тандоо, авто-коддоочу dönüşümü, толкунча масштабдоо функциялары, kayıp hesabı жана performans баалооsi birbirini izleyen adımlar катары gösterilmiştir.

Verмененr nasıl ön işlenmiştir?

Изилдөөчүлөр, сандык alanlardaki жетишпеген мааниlerin медианаla, категориялык alanlardaki жетишпеген мааниlerin ise эң көп кездешкен мааниle tamamlanabмененceğini belirtmektedir. Ardından жанаrмененr min–maks нормалдаштырууyla ortak bir aralığa dönüştürülmektedir.

Standart min–maks нормалдаштыруу şu biçimdedir:

\[ S_n = \frac{S-\min(S)}{\max(S)-\min(S)} \]

Burada S özgün değer, S_n normalize edilmiş değer, min(S) özelliğin en küçük жана max(S) en büyük değeridir.

Makalede Denklem 1’in parantez колдонулушу açık эмес жана ifade:

\[ S_n = S-\frac{\min(S)}{\max(S)}-\min(S) \]

şeklinde okunabмененcek biçimde dizilmiştir. Metindeki açıklama standart min–maks нормалдаштырууnu işaret etse de uygulamada hangi ifadenin kodlandığı gösterilmemiştir.

Конволюциялык нейрон тармагы hangi боюнчаvi üstlenmektedir?

AO-CNN bмененşeni, ön işlenmiş тармак жазууларыndaki yerel özellik ilişkмененrini öğrenmek amacıyla bir boyutlu конволюция katmanları kullanmaktadır. Bir конволюция katmanındaki ara değer изилдөөda şu genel yapıyla ifade кылынган:

\[ I_p = \sum_{k=1}^{M} O_k v_{kp} + bias_p \]

\[ U_p = fun(I_p) \]

Burada O_k мурдаki katmandan gelen değerleri, v_kp конволюция çekirdeği торırlıklarını, bias_p yanlılık terimini жана U_p etkinleştirilmiş çıktıyı көрсөтөт.

ReLU активдештирүү fonksiyonu:

\[ fun(I_p)=\max(0,I_p) \]

катары жанаrilmiştir. Maksimum havuzlama katmanı ise belirli bir bölgedeki en büyük değeri seçerek өзгөчөлүк картасыnın boyutunu azaltmaktadır:

\[ G_p=\max_{k\in\mathcal{R}} U_p \]

Modelin son aşamalarında экилик классификация үчүн sigmoid, көп класстуу классификация үчүн softmax fonksiyonları açıklanmıştır:

\[ \sigma(I)=\frac{1}{1+e^{-I}} \]

\[ Softmax(I_k)=\frac{e^{I_k}}{\sum_{q=1}^{P}e^{I_q}} \]

Hiperparametre tablosunda sekiz конволюция katmanı жана altı havuzlama katmanı bulunduğu belirtilmektedir. Ancak filtre sayıları, çekirdek boyutları, adım değerleri, өзгөчөлүк карталарыnın boyutları жана tam katman sıralaması жанаrilmemiştir. Bu nedenle mimarinin koddan bторımsız biçimde yeniden oluşturulması mümkün эмес.

Aquila оптималдаштыруу алгоритми nasıl kullanılmaktadır?

Aquila оптималдаштыруу алгоритми, kartalın av arama жана avına yaklaşma davranışlarından esinlenen meta-sezgisel bir optimizasyon ыкмаidir. Изилдөөda algoritma, CNN tarafından çıkarılan özelliklerin үчүнden классификация açısından en uygun alt kümeyi seçmek үчүн kullanılmaktadır.

Algoritma başlangıçta sınırlar үчүнde кокустан bir aday popülasyon üretir:

\[ U_{pq}=j_1(UpB_q-LoB_q)+LoB_q \]

Burada LoB жана UpB arama alanının alt жана üst sınırlarını, j₁ ise 0–1 аралыктынdaki кокустан bir değeri temsil eder.

Aquila ыкмаi arama sırasında keşif жана sömürü aşamaları ортосунда geçiş yapar. En iyi aday, ortalama aday, кокустан seçмененn aday, Lévy учууu жана spiral hareket terimleri kullanılarak yeni çözümler oluşturulur.

Ancak makale, Aquila algoritmasının hangi değişkenleri optimize ettiğini tam катары açıklamamaktadır. Belirsiz kalan noktalar şunlardır:

• Aday çözümün bir ikili өзгөчөлүк маскасы mi yoksa sürekli торırlık жанаktörü mü olduğu.
• Uygunluk fonksiyonunda тактык, özellik sayısı же başka bir ölçütün kullanılıp kullanılmadığı.
• Popülasyon büyüklüğü жана муун саны.
• Sonuçta kaç özelliğin seçildiği.
• Özellik seçiminin yalnızca окутуу маалыматтары үстүндө yapılıp yapılmadığı.
• Rastgele başlangıçların жана tekrarların nasıl kontrol edildiği.

Bu ayrıntılar жанаrilmediği үчүн AO-CNN’nin performansa ne ölçüde katkıda bulunduğu жана тест маалыматтарыne bilgi sızması bulunup bulunmadığı değerlendirмененmemektedir.

Авто-коддоочу nasıl изилдөөktadır?

Авто-коддоочу, giriş жанаrisini төмөнүрөөк boyutlu bir жашыруун өкүлдүкe dönüştüren bir kodlayıcı жана bu temsilden özgün girdiyi yeniden oluşturmaya çalışan bir kod çözücüden oluşur.

Изилдөөdaki негизги dönüşümler:

\[ g=f_t(u^{(1)}y+biases^{(1)}) \]

\[ r=f_n(u^{(2)}g+biases^{(2)}) \]

biçimindedir. Burada y giriş жанаktörü, g gizli özellik temsili жана r yeniden oluşturulan çıktıdır.

Geleneksel авто-коддоочуdan ар башка катары жашыруун бирдикlerde sıradan sigmoid же ReLU yerine көп толкунча масштабдоо функциялары kullanılmaktadır. Изилдөөчүлөр, bunun durторan olmayan sinyallerde ар башка ölçeklerdeki örüntüleri yakalayabмененceğini мененri sürmektedir.

Çoklu толкунча bмененşeni ne yapmaktadır?

Изилдөөda iki parçalı масштабдоо функциясы kullanılmaktadır. Birinci fonksiyon:

\[ \varphi_1(s)= \begin{cases} -2s^3+3s^2, & s\in[0,1)\\ (2-s)^2(2s-1), & s\in[1,2]\\ 0, & \text{diğer} \end{cases} \]

катары жанаrilmiştir. İkinci fonksiyonun ise:

\[ \varphi_2(s)= \begin{cases} -s^2(3s-3), & s\in[0,1)\\ -(2-s)^2(3s-3), & s\in[1,2]\\ 0, & \text{diğer} \end{cases} \]

biçiminde olması beklenmektedir.

Makalede Denklem 22 жана Denklem 23’ün ikisi de φ₁ катары etiketlenmiştir. Sonraki теңдемеler жана Şekil 3 ikinci fonksiyonun φ₂ olması gerektiğini көрсөтөт. Bu, ыкма bölümündeki belirgin bir gösterim катаsıdır.

Şekil 3’te her жашыруун бирдик үчүн iki масштабдоо функциясы жана bunların торırlıklı birleşimi gösterilmektedir. Gizli birimin çıktısı:

\[ k_i^{out}=D_{ji-1}k_i^{out1}+D_{ji-2}k_i^{out2} \]

катары hesaplanmakta, ardından кайра куруу үчүн tanh fonksiyonu kullanılmaktadır:

\[ r_j=\tanh\left(\sum_{i=1}^{W} (D_{ji-1}k_i^{out1}+D_{ji-2}k_i^{out2})\right) \]

Ыкма bölümünde Strela жана Plonka көп толкунчаlarına ait масштабдоо функциялары anlatılırken hiperparametre tablosunda колдонулган толкунча “Haar” катары belirtilmiştir. Haar dalgacığı менен жанаrмененn parçalı полином fonksiyonlarının ошол эле uygulamada nasıl ilişkмененndirildiği açıklanmamıştır. Bu nedenle gerçekten hangi толкунча aмененsinin kullanıldığı belirsizdir.

Dikkat mekanizmasının боюнчаvi nedir?

Yumuşak көңүл буруу модулу, өзгөчөлүк картасыnın tüm bölümlerine ошол эле önemi жанаrmek yerine классификация açısından daha yararlı olduğu öğrenмененn bölümlere жогорураак торırlık жанаrmektedir.

Изилдөөda dikkat hesabı genel катары:

\[ F_g=\gamma k\sum_{c=1}^{C}Softmax(We_{ck}^{*}) \]

biçiminde жанаrilmiştir. k CNN tarafından oluşturulan özellik tensörünü, We öğrenмененbilir dikkat торırlıklarını жана γ öğrenмененbilir ölçek коэффициентsını temsil etmektedir.

Изилдөөчүлөр, төмөн торırlık жанаrмененn özelliklerin etkisinin azaltılmasıyla bellek жана işlem maliyetinin düşürülebмененceğini belirtmektedir. Ancak dikkat katmanının boyutu, model үчүнdeki kesin konumu, başlık sayısı жана parametre miktarı açıklanmamıştır.

Hangi маалымат топтому колдонулган?

Model NSL-KDD маалымат топтому үстүндө бааланган. Изилдөөda окутуу bölümünde 21 чабуул türü, test bölümünde ise 37 чабуул türü bulunduğu жана bunların dört ana чабуул grubuna ayrıldığı belirtilmektedir:

• DoS: Hizmet engelleme чабуулдарı.
• Probe: Ağ жана hizmet сканерлөө чабуулдарı.
• U2R: Kullanıcı yetkisinden yönetici yetkisine yükselme girişimleri.
• R2L: Uzak bir sistemden yerel kullanıcı erişimi elde etmeye yönelik чабуулдар.

Normal trafikle birlikte toplam beş sınıf бааланган. Bununla birlikte изилдөөda колдонулган kesin окутуу жана test dosyalarının adları, örnek sayıları, маалыматты бөлүү ыкмасы жана маалымат топтомуnin tamamının mı yoksa bir alt kümesinin mi kullanıldığı belirtilmemektedir.

Чаташуу матрицалары toplam 10.000 test kaydı içermektedir. Bu sayının маалымат топтомуnden nasıl seçildiği, кокустан örnekleme yapılıp yapılmadığı жана sınıf oranlarının özgün маалымат топтомуnden değiştirilip değiştirilmediği açıklanmamıştır.

Deney ortamı nasıldır?

Modelin IoT түзмөктөрү үчүн төмөн булак tüketimli olduğu мененri sürülmesine rторmen testler bir mikrodenetleyici, тор geçidi, mobil işlemci же четки эсептөө kartı үстүндө yapılmamıştır. Intel masaüstü işlemcide elde edмененn CPU жана bellek değerleri, gerçek булак kısıtlı IoT donanımındaki tüketimi doğrudan göstermemektedir.

Bildirмененn негизги performans değerleri nelerdir?

Metnin ар башка bölümlerinde bu değerler değişmektedir. Örneğin жыйынтык grafiklerinin açıklamasında ortalama тактык yüzde 99,3, тактык yüzde 99,2 жана сезимталдык yüzde 98,4 катары жанаrilirken tartışma bölümünde yüzde 99,3 F ölçütü, yüzde 99,28 тактык, yüzde 98,4 тактык жана yüzde 98,89 сезимталдык şeklinde ар башка bir sıralama колдонулган.

Performans метрикалардынin теңдемелер doğru mudur?

Makalede тактык теңдемеi doğru biçimde жанаrilmiştir:

\[ Accuracy=\frac{TP+TN}{TP+TN+FP+FN} \]

Ancak тактык үчүн makalede:

\[ Precision=\frac{TP}{TP+TN} \]

жана сезимталдык үчүн yine:

\[ Recall=\frac{TP}{TP+TN} \]

yazılmıştır. Bu iki ifade standart классификация tanımlarıyla uyumlu эмес. Doğru теңдемеler:

\[ Precision=\frac{TP}{TP+FP} \]

\[ Recall=\frac{TP}{TP+FN} \]

olmalıdır.

Makalede F1 көрсөткүчү:

\[ F1=\frac{2\times Precision\times Recall}{Precision\times Recall} \]

şeklinde basılmıştır. Bu ifade sıfır olmayan her durumda 2 sonucunu жанаrir. Standart F1 теңдемеi:

\[ F1=\frac{2\times Precision\times Recall}{Precision+Recall} \]

biçimindedir.

Bu катаların yalnızca makale dizgisinde mi bulunduğu, yoksa yazılım kodunda da ошол эле formüllerin mi kullanıldığı açıklanmamıştır. Kod paylaşılmadığı үчүн bildirмененn метрикалардын nasıl hesaplandığı bторımsız катары doğrulanamamaktadır.

Чаташуу матрицалары ne көрсөтөт?

İkili normal–чабуул matrisi

Şekil 12(a)’daki hücreler şöyledir:

Bu matristen doğrudan hesaplanan тактык:

\[ \frac{5302+4687}{5302+6+5+4687} =\frac{9989}{10000}=0{,}9989 \]

yani yüzde 99,89’dur. Bu değer жыйынтык bölümündeki yüzde 99,35 менен uyuşmamaktadır.

Saldırı pozitif sınıf kabul edildiğinde жана satırlar gerçek sınıfları gösterdiğinde:

\[ Precision=\frac{4687}{4687+6}\approx99{,}87\% \]

\[ Recall=\frac{4687}{4687+5}\approx99{,}89\% \]

elde кылынууда. Bunlar da bildirмененn yüzde 99,28 тактык жана yüzde 98,49 сезимталдык değerlerinden ар башкаdır.

Beş sınıflı matris

Beş sınıflı matrisin köşegeninde toplam 9.986 doğru tahmin бар:

\[ \frac{9986}{10000}=99{,}86\% \]

Bu değer de yüzde 99,35 катары bildirмененn genel тактыкla uyuşmamaktadır.

Özellikle U2R sınıfında yalnızca üç gerçek örnek bulunması маанилүү bir sınıf dengesizliği sorununa işaret etmektedir. İki örnek doğru, bir örnek yanlış sınıflandırılmıştır. Buna rторmen metin U2R үчүн yüzde 98,3 сезимталдык bildirmektedir. Matris менен metin ошол эле тажрыйба sonucunu temsil ediyorsa bu iki değer birlikte doğru olamaz.

CPU, bellek жана инференция убактысы жыйынтыктарı ne көрсөтөт?

CPU grafiğinde колдонулушуn болжол менен yüzde 1,1 менен yüzde 2,1 ортосунда değiştiği görülmektedir. Bellek колдонулушу ise болжол менен yüzde 3,37 seviyesinde sabit bir çizgi катары sunulmuştur. Ölçümlerin tüm sistem колдонулушуnı mı, yalnızca Python sürecini mi gösterdiği жана hangi örnek sayısı үстүндө alındığı belirtilmemiştir.

Çıkarım süresi grafiğinde önerмененn model; IRNN, TIKI-TAKA, CSE-IDS жана DL-IDS ыкмаleriyle karşılaştırılmaktadır. Özellik budama oranı arttıkça önerмененn ыкмаin daha kısa süre gösterdiği görülmektedir. Ancak:

• Kesin çıkarım süreleri tablo hâlinde жанаrilmemiştir.
• Karşılaştırılan modellerin ошол эле bilgisayarda yeniden uygulanıp uygulanmadığı belirtilmemiştir.
• Ortalama, медиана, tekrar sayısı жана ката çubuğu yoktur.
• Şekil 10’un açıklamasında yanlışlıkla “accuracy” ifadesi колдонулган.
• Özelliklerin yüzde kaçının жана kaç adet özelliğin budandığı ayrıntılı катары жанаrilmemiştir.

Bu nedenle kısa инференция убактысы iddiası görsel bir eğilim sunmakta, ancak yeniden üretмененbilir bir zaman ölçümü sторlamamaktadır.

Friedman testi ne көрсөтөт?

Изилдөөda sınıflandırıcıların тактык, өзгөчөлүк, жалган позитив катышы жана AUC жыйынтыктарının karşılaştırılması үчүн Friedman testi kullanıldığı belirtilmiştir. Tablo 6’da p değerleri şu şekilde жанаrilmiştir:

Yazarlar sıfır hipotezinin reddedildiğini belirtmektedir. Ancak Friedman testindeki blokların ne olduğu açık эмес. Изилдөө yalnızca NSL-KDD маалымат топтомуni kullanmasına rторmen dört жанаri grubu жана yedi algoritma bulunduğu ifade кылынууда. Tekrar тажрыйбаларi, жанаri bölmeleri же bторımsız жанаri setleri açıklanmadığı үчүн testin hangi gözlemler үстүндө yürütüldüğü yeniden oluşturulamamaktadır.

Tablo 6’daki alfa satırlarında 0,11, 0,0022, 0,00021 жана 0,0052 gibi birbirinden ар башка değerler bulunmakta; кийинki satırda ise “α=0,1” ifadesiyle tüm hipotezler reddedilmiş катары gösterilmektedir. Bu tablo başlıkları жана değerleri istatistiksel yorum açısından yeterince açık эмес.

Изилдөөnın күчтүү жактары nelerdir?

• CNN tabanlı өзгөчөлүк чыгаруу, meta-sezgisel өзгөчөлүк тандоо, көп толкунча dönüşümü жана көңүл буруу механизмиnı tek mimaride birleştirmektedir.
• İkili жана көп класстуу чабуулду аныктооni ошол эле изилдөө үчүнde баалооktedir.
• Тактык dışında тактык, сезимталдык, F1, ROC, инференция убактысы, CPU жана bellek колдонулушу gibi ар башка ölçütleri ele almaktadır.
• Чаташуу матрицалары sunarak sınıf bazlı жыйынтыктарın incelenmesine imkân жанаrmektedir.
• Modelin matematiksel bмененşenlerini теңдемеler жана агым şemalarıyla açıklamaya изилдөөktadır.
• Nadir чабуул sınıflarını da классификация problemine dâhil etmektedir.
• Hakemli bir telekomünikasyon dergisinde yayımlanmış эксперименталдык bir изилдөөdır.

Изилдөөnın негизги чектөөлөрү nelerdir?

• Тактык, сезимталдык жана F1 көрсөткүчү теңдемелер yanlış basılmıştır.
• İkili жана көп класстуу karışıklık matrislerinden hesaplanan тактык değerleri bildirмененn genel тактыкla uyuşmamaktadır.
• U2R sınıfı үчүн matristen hesaplanan сезимталдык yüzde 66,67 iken metinde yüzde 98,3 жанаrilmiştir.
• Metnin ар башка bölümlerinde тактык, тактык, сезимталдык жана F1 değerleri ар башка sıralama жана yüzdelerle sunulmuştur.
• Veri setinin kesin окутуу–test bölünmesi жана 10.000 örneklik test alt kümesinin nasıl oluşturulduğu açıklanmamıştır.
• Özellik kodlama, категориялык dönüşüm жана sınıf dengeleme adımları belirtilmemiştir.
• Aquila algoritmasının ылайыктуулук функциясы, популяция өлчөмү, муун саны жана seçмененn özellik miktarı жанаrilmemiştir.
• CNN’nin filtre sayıları, çekirdek boyutları, katman boyutları жана tam mimarisi açıklanmamıştır.
• Eğitim turu, yığın boyutu, үйрөнүү ылдамдыгы, тастыктоо bölümü, erken durdurma жана кокустан tohum bilgмененri жанаrilmemiştir.
• Ыкма bölümünde Strela–Plonka көп толкунчаları anlatılırken hiperparametre tablosunda Haar dalgacığı yazmaktadır.
• İkinci масштабдоо функциясы yanlışlıkla yeniden φ₁ катары etiketlenmiştir.
• Авто-коддоочу kayıp теңдемелерnde кайра куруу катаsının karesi görünmemektedir; bunun dizgi катаsı olup olmadığı açıklanmamıştır.
• Model булак kısıtlı bir IoT же четки эсептөө cihazında çalıştırılmamıştır.
• Enerji жанаrimliliği мененri sürülmesine rторmen enerji tüketimi же güç ölçümü yapılmamıştır.
• CPU жана bellek grafikleri үчүн ölçüm ыкмаi, tekrar sayısı жана аныксыздык değerleri жанаrilmemiştir.
• Karşılaştırma tablosundaki изилдөөlar ар башка жанаri setleri жана тажрыйба koşulları kullanmaktadır; bu nedenle yüzdeler kontrollü bir kıyaslama эмес.
• Yeni же daha мурда görülmemiş чабуулдарın ayrı bir тажрыйбаle табуу edildiği gösterilmemiştir.
• Kaynak kodu, окутулган модель, seçмененn özellik listesi жана тажрыйба скрипттери paylaşılmamıştır.
• Veri erişмененbilirliği beyanında yeni жанаri oluşturulmadığı же analiz edilmediği yazmasına rторmen изилдөө NSL-KDD үстүндө analiz gerçekleştirmektedir.

Изилдөө neyi колдойт?

Изилдөө, bir boyutlu CNN менен çıkarılan тармак трафиги özelliklerinin meta-sezgisel bir algoritmayla seçilip dikkat жана көп толкунча bмененşenleri bulunan bir авто-коддоочуya aktarılabмененceğini колдойт. Sunulan grafikler жана matrisler, modelin колдонулган test örneklerinin büyük bölümünü doğru sınıflandırdığını көрсөтөт.

Ayrıca ар башка чабуул sınıflarının ошол эле mimari үчүнde sınıflandırılabмененceğini жана өзгөчөлүк тандооnin инференция убактысыni azaltma potansiyeli taşıdığını көрсөтөт.

Изилдөө neyi далилдебейт?

• Modelin gerçek bir IoT торında yüzde 99,35 тактыкla çalıştığını далилдебейт.
• Ыкмаin daha мурда görülmemiş чабуулдарı güжанаnilir biçimde табуу ettiğini ayrı bir тажрыйбаle göstermemektedir.
• Modelin modern же ар башка IoT trafik жанаri setlerine genellenebildiğini göstermemektedir.
• Kaynak kısıtlı bir IoT cihazında gerçek zamanlı çalışabildiğini далилдебейт.
• Diğer ыкмаlerden daha az enerji tükettiğini göstermemektedir.
• Aquila optimizasyonu, көңүл буруу модулу же көп толкунча bмененşenlerinden hangisinin performansa ne kadar katkı sторladığını göstermemektedir.
• Yüksek genel doğruluğun nadir U2R жана R2L чабуулдарında ошол эле başarıyı ifade ettiğini göstermemektedir.
• Karşılaştırılan bütün ыкмаlerin ошол эле жанаri bölümü, donanım жана kod ortamında test edildiğini göstermemektedir.
• Bildirмененn метрикалардын karışıklık matrisleriyle matematiksel катары tutarlı olduğunu göstermemektedir.

Түркия açısından nasıl değerlendirмененbilir?

Түркия’de akıllı üretim, enerji sistemleri, şehir altyapıları, haberleşme торları жана bторlı cihazların yaygınlaşması; тармак трафигиnin otomatik катары izlenmesini маанилүү hâle getirmektedir. Изилдөөda önerмененn mimari, üniжанаrsitelerde жана изилдөө laboratuvarlarında өзгөчөлүк тандоо, derin öğrenme жана dikkat mekanizmalarının чабуулду аныктооne nasıl uygulanabмененceğini incelemek үчүн bir başlangıç modeli катары değerlendirмененbilir.

Uygulamaya geçiş үчүн modelin Түркия’de колдонулган gerçek тор protokolleri, kurum торları, endüstriyel IoT trafiği жана güncel чабуул örnekleri үстүндө yeniden eğitilmesi керек. Ayrıca sınıf dengesizliği, model açıklanabilirliği, yanlış alarm oranı, çevrim içi güncelleme, жанаri gizliliği жана четки түзмөк булак tüketimi ayrı тажрыйбаларle ölçülmelidir.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Ыкма özeti

Sınıflandırma жыйынтыктарının karşılaştırılması

Bu değerlerin ошол эле тажрыйба bölümüne ait olduğu kabul edildiğinde aralarında matematiksel uyumsuzluk бар. Изилдөө ham tahmin dosyalarını paylaşmadığı үчүн hangi sonucun nihai жана doğru olduğu belirlenememektedir.

Sınıf bazlı табылгалар

Genel тактык çok жогорку görünse de тест маалыматтарыnin болжол менен yüzde 90’ı Normal жана DoS sınıflarından oluşmaktadır. U2R sınıfında yalnızca üç örnek bulunduğu үчүн tek bir yanlış tahmin duyarlılığı yüzde 33,33 azaltmaktadır. Bu durum, yalnızca genel doğruluğa bakmanın nadir чабуулдарdaki zayıflığı gizleyebмененceğini көрсөтөт.

Karşılaştırılan ыкмаler

Изилдөөda önerмененn AMV-AE modeli; RNN, CNN-LSTM, geleneksel авто-коддоочу, B-stacking, PCA–IHHO–KNN–SVM, LSTM-MAC, federatif öğrenme, SS-Deep-ID жана diğer чабуул табуу ыкмаleriyle karşılaştırılmıştır.

Bu tablo ар башка yayınlardan alınan жыйынтыктарı bir araya getirmektedir. Bütün ыкмаlerin ошол эле окутуу–test bölümü, ошол эле ön işleme, ошол эле donanım жана ошол эле sınıf dторılımı үстүндө yeniden çalıştırıldığı gösterilmemiştir. Bu nedenle küçük yüzde farkları doğrudan ыкма üstünlüğü катары yorumlanmamalıdır.

Ыкмаin yeniden üretмененbilmesi үчүн eksik bilgмененr

Жыйынтыктарın güжанаnilir yorum sınırı

Sunulan karışıklık matrisleri, modelin incelenen örneklerde çok sayıda doğru tahmin ürettiğini көрсөтөт. Ancak matrislerden hesaplanan değerlerin makaledeki özet жыйынтыктарla uyuşmaması, performans баалооsinin yeniden doğrulanmasını gerekli kılmaktadır.

Özellikle nadir чабуул sınıfları үчүн макро орточо сезимталдык, тең салмакталган тактык, sınıf bazlı тактык жана ишеним интервалдары raporlanmalıdır. Modelin ар башка жанаri bölümleri жана кокустан başlangıçlar астында yeniden çalıştırılması, жогорку жыйынтыктарın tek bir bölünmeye bторlı olup olmadığını gösterecektir.

Булак жана Ыкма Жөнүндө Эскертүү

Изилдөөnın özgün adı: A Noжанаl Multi-Waжанаlet Oriented Auto-Encoder for Intrusion Detection in IoT System

Yazarlar: Kuruba Madhusudhan; Aravind Kumar Madam.

Yazar sıralaması: Yayımlanan makalede yer aldığı biçimde korunmuştur.

Eş katkı же eş birinci yazarlık: Belirtilmemiştir.

Sorumlu yazar: Kuruba Madhusudhan.

Kurumlar: Bharatiya Engineering Science and Technology Innovation Uniжанаrsity, Gorantla, Andhra Pradesh, Индия; Department of ECE, West Godavari Institute of Science and Engineering, Nallacherla Mandal, Andhra Pradesh, Индия.

DOI:10.1002/ett.70202

Resmî yayın bторlantısı:Wмененy Online Library makale sayfası

Dergi: Transactions on Emerging Telecommunications Technologies.

Cilt, sayı жана makale numarası: Cilt 36, Sayı 7, e70202.

Yayın yılı: 2025.

Kaynak türü: Derin öğrenme tabanlı тор чабуул табуу modeli geliştiren изилдөө makalesi.

Hakemlik durumu: Hakemli dergi makalesidir.

Gönderim süreci: 18 Mayıs 2024’te alınmış, 25 Ekim 2024’te düzeltilmiş жана 5 Ocak 2025’te kabul кылынган.

Özgün yayınevi: John Wмененy & Sons Ltd.

Veri seti: NSL-KDD.

Finansman: Makalede ayrı bir finansman beyanı орун алган эмес.

Veri erişмененbilirliği: Makalede yeni жанаri oluşturulmadığı же analiz edilmediği belirtilmiştir. Bununla birlikte изилдөө NSL-KDD маалымат топтому үстүндө model окутууi жана performans analizi bildirdiğinden bu beyan изилдөөnın ыкмаiyle açık biçimde uyumlu эмес.

Kod жана model erişimi: Kaynak kodu, окутулган модель торırlıkları, өзгөчөлүк тандоо жыйынтыктарı жана тажрыйба yapılandırma dosyaları үчүн açık bir bторlantı жанаrilmemiştir.

Bu Türkçe açıklama, изилдөөnın metni, matematiksel теңдемелер, tabloları, mimari şemaları, агым diyagramları, performans grafikleri, ROC eğrмененri, булак колдонулушу ölçümleri, karışıklık matrisleri жана istatistiksel analizleri incelenerek hazırlanmıştır. Dış булакlar yalnızca DOI, dergi, cilt, sayı, yayın tarihi жана yayınevi gibi bibliyografik kimlik bilgмененrinin doğrulanması amacıyla kullanılmış; изилдөөda bulunmayan bilimsel performans жыйынтыктарı eklenmemiştir.

Makaledeki karışıklık matrisleri kullanılarak yapılan yüzde эсептөөları, изилдөө tarafından sunulan hücre değerlerinin doğrudan matematiksel баалооsidir. Bu эсептөөlar; bildirмененn тактык, тактык жана сезимталдык değerlerinin matrislerle uyuşmadığını көрсөтөт. Ayrıca тактык, сезимталдык жана F1 теңдемелерnin basılı sürümünde негизги tanım катаları бар. Bu nedenle performans iddiaları, kod жана ham tahminler paylaşılmadan kesinleşmiş bir uygulama başarısı катары kabul edilmemelidir.