Ин таҳқиқот барои ҷудо кардани трафики муқаррарӣ ва ҳамла дар шабакаҳои Интернети ашё равиши думарҳилавии омӯзиши амиқро пешниҳод мекунад. Дар марҳилаи аввал шабакаи нейронии конволютсионии якченака хусусиятҳои трафики шабакаро ҷудо мекунад; Алгоритми Оптимизатсияи Aquila бошад, ҳадаф дорад хусусиятҳои муфидтарро аз нигоҳи тасниф интихоб кунад. Дар марҳилаи дуюм авто-кодери ба чандмавҷак нигаронидашуда, ки бо механизми диққат дастгирӣ мешавад, трафики муқаррарӣ ва ҳамлаҳои радкунии хидмат, сканкунӣ ва боло бурдани имтиёзро тасниф мекунад.

Муҳаққиқон моделро дар маҷмӯи додаҳои NSL-KDD арзёбӣ карда, дар бахши натиҷаҳо дақиқии 99,35 фоиз, precision-и 99,28 фоиз, recall-и 98,49 фоиз ва холҳои F1-и 98,89 фоиз гузориш кардаанд. Ҳамчунин иддао мешавад, ки модел нисбат ба баъзе усулҳои муқоисашуда вақти inference-и кӯтоҳтар, истифодаи камтари CPU ва масрафи устувори хотира нишон додааст.

Бо вуҷуди ин, байни натиҷаҳои ададии таҳқиқот номувофиқатиҳои муҳим мавҷуданд. Аз 10.000 намунаи матритсаи дугонаи иштибоҳии пешниҳодшуда 9.989-то дуруст тасниф шудаанд; ин мустақиман ба дақиқии 99,89 фоиз мувофиқ аст ва бо арзиши гузоришшудаи 99,35 фоиз мувофиқат намекунад. Дар матритсаи панҷсинфӣ бошад, аз 10.000 намуна 9.986-то дуруст тасниф шудаанд ва дақиқии мустақим ҳисобшуда 99,86 фоиз аст. Дар синфи U2R, ки камтарин намуна дорад, аз танҳо се намунаи воқеӣ дар матритса дуто дуруст тасниф шудаанд; дар ҳоле ки recall-и аз матритса ҳисобшуда барои ин синф 66,67 фоиз аст, дар матн арзиши 98,3 фоиз дода мешавад.

Аз ин рӯ, таҳқиқот нишон медиҳад, ки механизми диққат, CNN, интихоби хусусияти метаэвристикӣ ва авто-кодерҳои асосёфта ба мавҷакро метавон дар як меъморӣ муттаҳид кард; аммо то замоне ки номувофиқатиҳо байни арзишҳои гузоришшудаи самаранокӣ, ҷузъиёти татбиқ ва таърифҳои математикӣ бартараф нашаванд, хулоса кардан мумкин нест, ки усул дар шабакаҳои воқеии IoT бо эътимоднокии зиёда аз 99 фоиз кор мекунад.

Масъалае, ки таҳқиқот баррасӣ мекунад, чист?

Системаҳои Интернети ашё аз шумораи зиёди дастгоҳҳои пайваст, аз қабили сенсорҳо, камераҳо, дастгоҳҳои хонаи интеллектуалӣ, ҷузъҳои идоракунии саноатӣ ва модулҳои иртиботӣ иборатанд. Ирсоли дода тавассути шабака аз ҷониби ин дастгоҳҳо сатҳи васеъеро ба вуҷуд меорад, ки дар он ҳамлагарон метавонанд ҳамлаҳои радкунии хидмат, сканкунии шабака, дастрасии беиҷозат ва боло бурдани имтиёзро анҷом диҳанд.

Системаҳои анъанавии ошкорсозии ҳамла метавонанд қоидаҳо ё имзоҳои пешакӣ муайяншударо истифода баранд. Системаҳои асосёфта ба омӯзиши мошинӣ бошад, кӯшиш мекунанд аз намунаҳои трафики шабака рафтори муқаррарӣ ва ғайримуқаррариро омӯзанд. Аммо сабтҳои шабака метавонанд андозаи баланд, пур аз садо ва аз ҷиҳати синфҳо номутавозин бошанд. Хусусан, бо шумораи хеле ками намунаҳо ифода шудани ҳамлаҳои камёб метавонад бо вуҷуди дақиқии умумии баланд боиси аз даст рафтани ҳамлаҳои критикӣ шавад.

Ҳадафи таҳқиқот муттаҳид кардани моделе мебошад, ки хусусиятҳои муфиди додаҳои шабакаро ба таври худкор ҷудо ва интихоб мекунад, бо авто-кодере, ки ин хусусиятҳоро дар миқёсҳои гуногун ифода мекунад. Меъмории пешниҳодшуда аз ду ҷузъи асосӣ иборат аст:

• AO-CNN: Шабакаи нейронии конволютсионӣ, ки бо Алгоритми Оптимизатсияи Aquila дастгирӣ мешавад.
• AMV-AE: Авто-кодери асосёфта ба диққат ва ба чандмавҷак нигаронидашуда.

Ҷараёни умумии кори модел чӣ гуна аст?

Мувофиқи меъмории Шакли 1 раванд бо тартиби зерин пеш меравад:

1. Сабтҳои трафики шабака аз маҷмӯи додаҳои NSL-KDD гирифта мешаванд.
2. Додаҳои норасо санҷида ва додаҳо бо усули min–max нормализатсия мешаванд.
3. Бо истифода аз CNN-и якченака харитаҳои хусусият ҷудо карда мешаванд.
4. Алгоритми Оптимизатсияи Aquila хусусиятҳоеро интихоб мекунад, ки оптималӣ ҳисоб мешаванд.
5. Хусусиятҳои интихобшуда ба авто-кодери чандмавҷакӣ ва асосёфта ба диққат дода мешаванд.
6. Модел сабти трафикро ҳамчун муқаррарӣ ё ҳамла тасниф мекунад.
7. Дар арзёбии бисёрсинфӣ трафик ба яке аз синфҳои Normal, DoS, Probe, U2R ва R2L таъин мешавад.

Дар Шакли 4 диаграммаи муфассалтари ҷараён пешниҳод шудааст; поксозии дода, нормализатсия, қабатҳои CNN, ReLU, pooling, интихоби хусусият бо Aquila, табдили авто-кодер, функсияҳои миқёсбандии мавҷак, ҳисобкунии талафот ва арзёбии самаранокӣ ҳамчун қадамҳои пайдарпай нишон дода шудаанд.

Додаҳо чӣ гуна пешкоркард шудаанд?

Муҳаққиқон мегӯянд, ки арзишҳои норасои майдонҳои ададиро метавон бо медиана ва арзишҳои норасои майдонҳои категориявиро бо арзиши бештар такроршаванда пур кард. Сипас додаҳо бо нормализатсияи min–max ба диапазони умумӣ табдил дода мешаванд.

Нормализатсияи стандартии min–max чунин аст:

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

Дар ин ҷо S арзиши аслӣ, S_n арзиши нормализатсияшуда, min(S) хурдтарин ва max(S) калонтарин арзиши хусусият мебошад.

Дар мақола истифодаи қавс дар Муодилаи 1 равшан нест ва ифода:

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

ба шакле чида шудааст, ки чунин хонда шуданаш мумкин аст. Гарчанде шарҳи матн ба нормализатсияи стандартии min–max ишора мекунад, нишон дода нашудааст, ки дар амал кадом ифода код шудааст.

Шабакаи нейронии конволютсионӣ кадом вазифаро иҷро мекунад?

Ҷузъи AO-CNN барои омӯзиши робитаҳои маҳаллии хусусиятҳо дар сабтҳои пешкоркардшудаи шабака қабатҳои конволютсионии якченака истифода мебарад. Арзиши фосилавӣ дар як қабати конволютсионӣ дар таҳқиқот бо сохтори умумии зерин ифода шудааст:

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

\[ U_p = fun(I_p) \]

Дар ин ҷо O_k арзишҳои аз қабати пешина омадаро, v_kp вазнҳои ядрои конволютсия, bias_p ҳади bias ва U_p баромади фаъолшударо нишон медиҳад.

Функсияи фаъолсозии ReLU:

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

дода шудааст. Қабати max pooling бошад, бо интихоби бузургтарин арзиш дар минтақаи муайян андозаи харитаи хусусиятро кам мекунад:

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

Дар марҳилаҳои охири модел функсияҳои sigmoid барои таснифи дугона ва softmax барои таснифи бисёрсинфӣ шарҳ дода шудаанд:

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

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

Дар ҷадвали гиперпараметрҳо гуфта мешавад, ки ҳашт қабати конволютсионӣ ва шаш қабати pooling мавҷуд аст. Аммо шумораи филтрҳо, андозаи ядроҳо, қиматҳои stride, андозаи харитаҳои хусусият ва тартиби пурраи қабатҳо дода нашудаанд. Аз ин рӯ, меъмориро бе код аз нав сохтан мумкин нест.

Алгоритми Оптимизатсияи Aquila чӣ гуна истифода мешавад?

Алгоритми Оптимизатсияи Aquila усули метаэвристикии оптимизатсия мебошад, ки аз рафтори ҷустуҷӯи шикор ва наздикшавӣ ба шикори уқоб илҳом гирифтааст. Дар таҳқиқот алгоритм барои интихоби зермаҷмӯи мувофиқтарини хусусиятҳое истифода мешавад, ки CNN барои тасниф ҷудо кардааст.

Алгоритм дар оғоз дар дохили ҳудудҳо популятсияи тасодуфии номзадҳоро тавлид мекунад:

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

Дар ин ҷо LoB ва UpB ҳудудҳои поёнӣ ва болоии фазои ҷустуҷӯ ва j₁ арзиши тасодуфӣ дар диапазони 0–1 мебошанд.

Усули Aquila ҳангоми ҷустуҷӯ байни марҳилаҳои exploration ва exploitation мегузарад. Бо истифода аз беҳтарин номзад, номзади миёна, номзади тасодуфӣ, парвози Lévy ва ҳадҳои ҳаракати спиралӣ ҳалли нав сохта мешавад.

Аммо мақола комилан шарҳ намедиҳад, ки алгоритми Aquila кадом тағйирёбандаҳоро оптимизатсия мекунад. Нуқтаҳои номуайян чунинанд:

• Оё ҳалли номзад ниқоби бинарии хусусият аст ё вектори вазнҳои пайваста.
• Оё дар функсияи fitness дақиқӣ, шумораи хусусиятҳо ё меъёри дигар истифода мешавад.
• Андозаи популятсия ва шумораи наслҳо.
• Дар натиҷа чанд хусусият интихоб шудааст.
• Оё интихоби хусусият танҳо дар додаҳои омӯзишӣ анҷом дода шудааст.
• Оғозҳои тасодуфӣ ва такрорҳо чӣ гуна назорат шудаанд.

Азбаски ин ҷузъиёти дода нашудаанд, арзёбӣ кардан мумкин нест, ки AO-CNN ба самаранокӣ то чӣ андоза саҳм гузоштааст ва оё ба додаҳои санҷишӣ ихроҷи иттилоот вуҷуд дорад.

Авто-кодер чӣ гуна кор мекунад?

Авто-кодер аз encoder иборат аст, ки додаи вурудиро ба ифодаи пинҳонии андозаи пасттар табдил медиҳад, ва decoder, ки аз ин ифода кӯшиш мекунад вуруди аслиро дубора созад.

Табдилҳои асосӣ дар таҳқиқот:

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

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

мебошанд. Дар ин ҷо y вектори вуруд, g ифодаи хусусияти пинҳонӣ ва r баромади бозсозишуда аст.

Бар хилофи авто-кодери анъанавӣ, дар воҳидҳои пинҳонӣ ба ҷойи sigmoid ё ReLU-и оддӣ функсияҳои миқёсбандии чандмавҷакӣ истифода мешаванд. Муҳаққиқон иддао мекунанд, ки ин метавонад дар сигналҳои ғайристатсионарӣ намунаҳои миқёсҳои гуногунро дарёфт кунад.

Ҷузъи чандмавҷакӣ чӣ кор мекунад?

Дар таҳқиқот функсияи миқёсбандии дуқисмӣ истифода мешавад. Функсияи аввал:

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

дода шудааст. Функсияи дуюм бошад, интизор меравад чунин бошад:

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

Интизор меравад, ки он дар ҳамин шакл бошад.

Дар мақола ҳам Муодилаи 22 ва ҳам Муодилаи 23 ҳамчун φ₁ тамғагузорӣ шудаанд. Муодилаҳои баъдӣ ва Шакли 3 нишон медиҳанд, ки функсияи дуюм бояд φ₂ бошад. Ин хатои равшани нишонагузорӣ дар бахши усул аст.

Дар Шакли 3 барои ҳар воҳиди пинҳонӣ ду функсияи миқёсбандӣ ва якҷояшавии вазндори онҳо нишон дода мешавад. Баромади воҳиди пинҳонӣ:

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

ҳисоб карда мешавад ва баъдан барои бозсозӣ функсияи tanh истифода мешавад:

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

Дар бахши усул функсияҳои миқёсбандии чандмавҷакҳои Strela ва Plonka шарҳ дода мешаванд, дар ҳоле ки дар ҷадвали гиперпараметрҳо мавҷаки истифодашуда “Haar” гуфта шудааст. Чӣ гуна мавҷаки Haar бо функсияҳои полиномии қисм-қисми додашуда дар як татбиқ алоқаманд аст, шарҳ дода нашудааст. Аз ин рӯ, дар асл кадом оилаи мавҷак истифода шудааст, номуайян аст.

Вазифаи механизми диққат чист?

Модули диққати мулоим ба ҷойи он ки ба ҳамаи бахшҳои харитаи хусусият аҳамияти яксон диҳад, ба бахшҳое, ки барои тасниф муфидтар омӯхта шудаанд, вазни баландтар медиҳад.

Дар таҳқиқот ҳисоби диққат ба таври умум:

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

дода шудааст. k тензори хусусиятеро, ки CNN сохтааст, We вазнҳои омӯзонидашавандаи диққат ва γ коэффисиенти омӯзонидашавандаи миқёсро ифода мекунанд.

Муҳаққиқон мегӯянд, ки бо кам кардани таъсири хусусиятҳои камвазн метавон хароҷоти хотира ва ҳисоббарориро паст кард. Аммо андозаи қабати диққат, ҷойи дақиқи он дар модел, шумораи head ва миқдори параметрҳо шарҳ дода нашудааст.

Кадом маҷмӯи дода истифода шудааст?

Модел дар маҷмӯи додаҳои NSL-KDD арзёбӣ шудааст. Дар таҳқиқот гуфта мешавад, ки дар бахши омӯзиш 21 навъи ҳамла ва дар бахши санҷиш 37 навъи ҳамла мавҷуд буда, онҳо ба чор гурӯҳи асосии ҳамла ҷудо шудаанд:

• DoS: Ҳамлаҳои радкунии хидмат.
• Probe: Ҳамлаҳои сканкунии шабака ва хидмат.
• U2R: Кӯшишҳои гузариш аз имтиёзи корбар ба имтиёзи мудир.
• R2L: Ҳамлаҳое, ки барои гирифтани дастрасии корбари маҳаллӣ аз системаи дурдаст равона шудаанд.

Бо трафики муқаррарӣ дар маҷмӯъ панҷ синф арзёбӣ шудааст. Бо вуҷуди ин, номҳои дақиқи файлҳои омӯзишӣ ва санҷишӣ, шумораи намунаҳо, усули тақсимоти дода ва он ки тамоми маҷмӯи дода ё зермаҷмӯи он истифода шудааст, нишон дода нашудааст.

Матритсаҳои иштибоҳ дар маҷмӯъ 10.000 сабти санҷиширо дар бар мегиранд. Чӣ гуна ин шумора аз маҷмӯи дода интихоб шудааст, оё намунагирии тасодуфӣ анҷом дода шудааст ва оё таносубҳои синф аз маҷмӯи додаҳои аслӣ тағйир дода шудаанд, шарҳ дода нашудааст.

Муҳити таҷриба чӣ гуна аст?

Гарчанде иддао мешавад, ки модел барои дастгоҳҳои IoT масрафи ками захира дорад, санҷишҳо дар микроконтроллер, gateway, протсессори мобилӣ ё тахтаи edge computing анҷом дода нашудаанд. Арзишҳои CPU ва хотира, ки дар протсессори desktop-и Intel гирифта шудаанд, масрафро дар сахтафзори воқеии IoT-и маҳдуд аз ҷиҳати захира мустақим нишон намедиҳанд.

Арзишҳои асосии самаранокии гузоришшуда кадомҳоянд?

Дар бахшҳои гуногуни матн ин арзишҳо тағйир меёбанд. Масалан, дар шарҳи графикҳои натиҷаҳо дақиқии миёна 99,3 фоиз, precision 99,2 фоиз ва recall 98,4 фоиз дода шудааст, дар ҳоле ки дар бахши муҳокима тартиби дигаре истифода шудааст: меъёри F 99,3 фоиз, precision 99,28 фоиз, дақиқӣ 98,4 фоиз ва recall 98,89 фоиз.

Оё муодилаҳои метрикаҳои самаранокӣ дурустанд?

Дар мақола муодилаи дақиқӣ ба шакли дуруст дода шудааст:

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

Аммо барои precision дар мақола:

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

ва барои recall боз:

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

навишта шудааст. Ин ду ифода бо таърифҳои стандартии тасниф мувофиқ нестанд. Муодилаҳои дуруст:

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

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

бояд бошанд.

Дар мақола холи F1:

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

чоп шудааст. Ин ифода дар ҳар ҳолати ғайрисифрӣ натиҷаи 2 медиҳад. Муодилаи стандартии F1:

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

мебошад.

Шарҳ дода нашудааст, ки ин хатоҳо танҳо дар чопи мақола ҳастанд ё дар коди нармафзор низ ҳамин формулаҳо истифода шудаанд. Азбаски код нашр нашудааст, чӣ гуна ҳисоб шудани метрикаҳои гузоришшуда мустақилона санҷида намешавад.

Матритсаҳои иштибоҳ чиро нишон медиҳанд?

Матритсаи дугонаи муқаррарӣ–ҳамла

Ҳуҷайраҳои Шакли 12(a) чунинанд:

Дақиқие, ки мустақиман аз ин матритса ҳисоб мешавад:

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

яъне 99,89 фоиз аст. Ин арзиш бо 99,35 фоизи бахши натиҷаҳо мувофиқат намекунад.

Агар ҳамла ҳамчун синфи мусбат қабул шавад ва сатрҳо синфҳои воқеиро нишон диҳанд:

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

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

ба даст меоянд. Инҳо низ аз precision-и гузоришшудаи 99,28 фоиз ва recall-и 98,49 фоиз фарқ мекунанд.

Матритсаи панҷсинфӣ

Дар диагонали матритсаи панҷсинфӣ дар маҷмӯъ 9.986 пешгӯии дуруст мавҷуд аст:

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

Ин арзиш низ бо дақиқии умумии гузоришшудаи 99,35 фоиз мувофиқат намекунад.

Хусусан, мавҷуд будани танҳо се намунаи воқеӣ дар синфи U2R ба мушкили муҳими номутавозунии синф ишора мекунад. Ду намуна дуруст ва як намуна нодуруст тасниф шудааст. Бо вуҷуди ин, матн барои U2R recall-и 98,3 фоиз гузориш мекунад. Агар матритса ва матн як натиҷаи таҷрибаро ифода кунанд, ин ду арзиш ҳамзамон дуруст буда наметавонанд.

Натиҷаҳои CPU, хотира ва вақти inference чиро нишон медиҳанд?

Дар графики CPU дида мешавад, ки истифода тақрибан аз 1,1 фоиз то 2,1 фоиз тағйир меёбад. Истифодаи хотира бошад, ҳамчун хати собит дар сатҳи тақрибан 3,37 фоиз пешниҳод шудааст. Шарҳ дода нашудааст, ки ченкуниҳо истифодаи тамоми системаро нишон медиҳанд ё танҳо раванди Python-ро, ва дар чанд намуна гирифта шудаанд.

Дар графики вақти inference модели пешниҳодшуда бо усулҳои IRNN, TIKI-TAKA, CSE-IDS ва DL-IDS муқоиса мешавад. Бо зиёд шудани сатҳи pruning-и хусусиятҳо усули пешниҳодшуда вақти кӯтоҳтар нишон медиҳад. Аммо:

• Вақтҳои дақиқи inference дар шакли ҷадвал дода нашудаанд.
• Нишон дода нашудааст, ки моделҳои муқоисашуда дар ҳамон компютер дубора татбиқ шудаанд ё не.
• Миёна, медиана, шумораи такрорҳо ва хати хато вуҷуд надорад.
• Дар шарҳи Шакли 10 ба иштибоҳ калимаи “accuracy” истифода шудааст.
• Чанд фоиз ва чанд адад хусусият pruning шудаанд, муфассал дода нашудааст.

Аз ин рӯ, иддаои вақти кӯтоҳи inference як тамоюли визуалӣ пешниҳод мекунад, аммо ченкунии вақти бозтавлидшавандаро таъмин намекунад.

Санҷиши Friedman чиро нишон медиҳад?

Дар таҳқиқот гуфта шудааст, ки барои муқоисаи натиҷаҳои дақиқӣ, specificity, false positive rate ва AUC-и таснифгарҳо санҷиши Friedman истифода шудааст. Дар Ҷадвали 6 қиматҳои p чунин дода шудаанд:

Муаллифон мегӯянд, ки гипотезаи сифр рад шудааст. Аммо маълум нест, ки блокҳо дар санҷиши Friedman чӣ буданд. Гарчанде таҳқиқот танҳо маҷмӯи додаҳои NSL-KDD-ро истифода мебарад, гуфта мешавад чор гурӯҳи дода ва ҳафт алгоритм мавҷуданд. Азбаски таҷрибаҳои такрорӣ, тақсимоти дода ё маҷмӯаҳои додаҳои мустақил шарҳ дода нашудаанд, бозсозӣ кардани он ки санҷиш дар кадом мушоҳидаҳо гузаронида шудааст, мумкин нест.

Дар сатрҳои alpha-и Ҷадвали 6 арзишҳои гуногуни 0,11, 0,0022, 0,00021 ва 0,0052 мавҷуданд; дар сатри баъдӣ бошад, бо ифодаи “α=0,1” ҳамаи гипотезаҳо радшуда нишон дода шудаанд. Сарлавҳаҳо ва арзишҳои ин ҷадвал барои тафсири оморӣ ба қадри кофӣ равшан нестанд.

Нуқтаҳои қавии таҳқиқот кадомҳоянд?

• Ҷудокунии хусусият дар асоси CNN, интихоби метаэвристикии хусусият, табдили чандмавҷакӣ ва механизми диққатро дар як меъморӣ муттаҳид мекунад.
• Ошкорсозии ҳамлаи дугона ва бисёрсинфиро дар як таҳқиқот арзёбӣ мекунад.
• Ба ғайр аз дақиқӣ, меъёрҳои гуногун, аз ҷумла precision, recall, F1, ROC, вақти inference, истифодаи CPU ва хотираро баррасӣ мекунад.
• Бо пешниҳоди матритсаҳои иштибоҳ имкони санҷиши натиҷаҳои синфӣ медиҳад.
• Кӯшиш мекунад ҷузъҳои математикии моделро бо муодилаҳо ва диаграммаҳои ҷараён шарҳ диҳад.
• Синфҳои камёби ҳамларо низ ба масъалаи тасниф дохил мекунад.
• Таҳқиқоти таҷрибавие мебошад, ки дар маҷаллаи телекоммуникатсионии тақризшуда нашр шудааст.

Маҳдудиятҳои асосии таҳқиқот кадомҳоянд?

• Муодилаҳои precision, recall ва холи F1 нодуруст чоп шудаанд.
• Арзишҳои дақиқие, ки аз матритсаҳои дугона ва бисёрсинфӣ ҳисоб мешаванд, бо дақиқии умумии гузоришшуда мувофиқат намекунанд.
• Барои синфи U2R recall-и аз матритса ҳисобшуда 66,67 фоиз аст, дар ҳоле ки дар матн 98,3 фоиз дода мешавад.
• Дар бахшҳои гуногуни матн арзишҳои дақиқӣ, precision, recall ва F1 бо тартиб ва фоизҳои гуногун пешниҳод шудаанд.
• Тақсимоти дақиқи омӯзиш–санҷиши маҷмӯи дода ва чӣ гуна сохта шудани зермаҷмӯи санҷишии 10.000-намунагӣ шарҳ дода нашудааст.
• Қадамҳои рамзгузории хусусият, табдили категориявӣ ва мувозинати синф нишон дода нашудаанд.
• Функсияи fitness, андозаи популятсия, шумораи наслҳо ва миқдори хусусиятҳои интихобшуда барои алгоритми Aquila дода нашудаанд.
• Шумораи филтрҳо, андозаи ядроҳо, андозаҳои қабат ва меъмории пурраи CNN шарҳ дода нашудааст.
• Шумораи epoch, batch size, learning rate, бахши validation, early stopping ва random seed дода нашудаанд.
• Дар бахши усул чандмавҷакҳои Strela–Plonka шарҳ дода мешаванд, дар ҳоле ки дар ҷадвали гиперпараметрҳо Haar навишта шудааст.
• Функсияи дуюми миқёсбандӣ ба иштибоҳ боз ҳамчун φ₁ тамғагузорӣ шудааст.
• Дар муодилаҳои талафоти авто-кодер квадрати хатои бозсозӣ дида намешавад; шарҳ дода нашудааст, ки ин хатои чопӣ аст ё не.
• Модел дар дастгоҳи IoT ё edge computing-и маҳдуд аз ҷиҳати захира иҷро нашудааст.
• Бо вуҷуди иддаои самаранокии энергетикӣ, масрафи энергия ё қувва чен нашудааст.
• Барои графикҳои CPU ва хотира усули ченкунӣ, шумораи такрорҳо ва арзишҳои номуайянӣ дода нашудаанд.
• Таҳқиқотҳои ҷадвали муқоиса маҷмӯаҳои дода ва шароити таҷрибавии гуногун доранд; аз ин рӯ фоизҳо муқоисаи назоратшаванда нестанд.
• Бо таҷрибаи ҷудогона нишон дода нашудааст, ки ҳамлаҳои нав ё пештар нодида муайян карда мешаванд.
• Коди манбаъ, модели омӯзонидашуда, рӯйхати хусусиятҳои интихобшуда ва скриптҳои таҷриба нашр нашудаанд.
• Гарчанде дар изҳороти дастрасии дода гуфта мешавад, ки додаҳои нав эҷод ё таҳлил нашудаанд, таҳқиқот дар NSL-KDD таҳлил анҷом медиҳад.

Таҳқиқот чиро дастгирӣ мекунад?

Таҳқиқот дастгирӣ мекунад, ки хусусиятҳои трафики шабака, ки бо CNN-и якченака ҷудо шудаанд, метавонанд бо алгоритми метаэвристикӣ интихоб шуда, ба авто-кодере бо ҷузъҳои диққат ва чандмавҷак интиқол дода шаванд. Графикҳо ва матритсаҳои пешниҳодшуда нишон медиҳанд, ки модел қисми зиёди намунаҳои санҷишии истифодашударо дуруст тасниф кардааст.

Ҳамчунин нишон медиҳад, ки синфҳои гуногуни ҳамла дар дохили як меъморӣ тасниф шуда метавонанд ва интихоби хусусият потенсиали кам кардани вақти inference-ро дорад.

Таҳқиқот чиро исбот намекунад?

• Исбот намекунад, ки модел дар шабакаи воқеии IoT бо дақиқии 99,35 фоиз кор мекунад.
• Бо таҷрибаи ҷудогона нишон намедиҳад, ки усул ҳамлаҳои пештар нодидаро боэътимод муайян мекунад.
• Нишон намедиҳад, ки модел ба маҷмӯаҳои додаҳои муосир ё дигари трафики IoT умумӣ мешавад.
• Исбот намекунад, ки дар дастгоҳи IoT-и маҳдуд аз ҷиҳати захира дар вақти воқеӣ кор карда метавонад.
• Нишон намедиҳад, ки нисбат ба усулҳои дигар энергияи камтар масраф мекунад.
• Нишон намедиҳад, ки кадоме аз оптимизатсияи Aquila, модули диққат ё ҷузъи чандмавҷакӣ ба самаранокӣ чӣ қадар саҳм мегузорад.
• Нишон намедиҳад, ки дақиқии умумии баланд дар ҳамлаҳои камёби U2R ва R2L ҳамон муваффақиятро ифода мекунад.
• Нишон намедиҳад, ки ҳамаи усулҳои муқоисашуда дар ҳамон тақсимоти дода, сахтафзор ва муҳити код санҷида шудаанд.
• Нишон намедиҳад, ки метрикаҳои гузоришшуда бо матритсаҳои иштибоҳ аз ҷиҳати математикӣ мувофиқанд.

Аз нуқтаи назари Туркия чӣ гуна арзёбӣ мешавад?

Дар Туркия паҳн шудани истеҳсоли интеллектуалӣ, системаҳои энергетикӣ, инфрасохтори шаҳрӣ, шабакаҳои иртиботӣ ва дастгоҳҳои пайваст мониторинги худкори трафики шабакаро муҳим мегардонад. Меъмории пешниҳодшуда дар таҳқиқот метавонад дар донишгоҳҳо ва лабораторияҳои таҳқиқотӣ ҳамчун модели ибтидоӣ барои омӯзиши он ки интихоби хусусият, омӯзиши амиқ ва механизмҳои диққат чӣ гуна ба ошкорсозии ҳамла татбиқ мешаванд, арзёбӣ шавад.

Барои гузаштан ба татбиқ модел бояд дар протоколҳои воқеии шабака, шабакаҳои ташкилотӣ, трафики саноатии IoT ва намунаҳои муосири ҳамла, ки дар Туркия истифода мешаванд, дубора омӯзонида шавад. Ҳамчунин номутавозунии синф, тафсирпазирии модел, сатҳи огоҳии бардурӯғ, навсозии онлайн, махфияти дода ва масрафи захираи дастгоҳи edge бояд бо таҷрибаҳои ҷудогона чен карда шаванд.

Усул ва натиҷаҳои таҳқиқот

Хулосаи усул

Муқоисаи натиҷаҳои тасниф

Агар қабул шавад, ки ин арзишҳо ба ҳамон қисми таҷриба тааллуқ доранд, байни онҳо номувофиқати математикӣ вуҷуд дорад. Азбаски таҳқиқот файлҳои хоми пешгӯиро нашр накардааст, муайян кардан мумкин нест, ки кадом натиҷа ниҳоӣ ва дуруст аст.

Бозёфтҳои синфӣ

Гарчанде дақиқии умумӣ хеле баланд менамояд, тақрибан 90 фоизи додаҳои санҷишӣ аз синфҳои Муқаррарӣ ва DoS иборатанд. Азбаски дар синфи U2R танҳо се намуна мавҷуд аст, як пешгӯии нодуруст recall-ро 33,33 фоиз кам мекунад. Ин нишон медиҳад, ки танҳо ба дақиқии умумӣ нигоҳ кардан метавонад заъфро дар ҳамлаҳои камёб пинҳон кунад.

Усулҳои муқоисашуда

Модели пешниҳодшудаи AMV-AE дар таҳқиқот бо RNN, CNN-LSTM, авто-кодери анъанавӣ, B-stacking, PCA–IHHO–KNN–SVM, LSTM-MAC, омӯзиши федеративӣ, SS-Deep-ID ва усулҳои дигари ошкорсозии ҳамла муқоиса шудааст.

Ин ҷадвал натиҷаҳоро аз нашрияҳои гуногун ҷамъ меорад. Нишон дода нашудааст, ки ҳамаи усулҳо дар ҳамон тақсимоти омӯзиш–санҷиш, ҳамон пешкоркард, ҳамон сахтафзор ва ҳамон тақсимоти синфӣ дубора иҷро шудаанд. Аз ин рӯ, фарқиятҳои хурди фоизӣ набояд мустақиман ҳамчун бартарии усул тафсир шаванд.

Маълумоти норасо барои бозтавлид кардани усул

Ҳудуди тафсири боэътимоди натиҷаҳо

Матритсаҳои иштибоҳи пешниҳодшуда нишон медиҳанд, ки модел дар намунаҳои баррасишуда шумораи зиёди пешгӯии дуруст тавлид кардааст. Аммо номувофиқати арзишҳои аз матритсаҳо ҳисобшуда бо натиҷаҳои ҷамъбастии мақола талаб мекунад, ки арзёбии самаранокӣ дубора тасдиқ шавад.

Хусусан барои синфҳои камёби ҳамла бояд recall-и macro-average, balanced accuracy, precision-и синфӣ ва confidence interval гузориш шаванд. Дубора иҷро кардани модел зери тақсимоти гуногуни дода ва оғози тасодуфӣ нишон медиҳад, ки оё натиҷаҳои баланд ба як тақсимоти ягона вобастаанд ё не.

Ёддошт оид ба манбаъ ва усул

Номи аслии таҳқиқот: A Novel Multi-Wavelet Oriented Auto-Encoder for Intrusion Detection in IoT System

Муаллифон: Kuruba Madhusudhan; Aravind Kumar Madam.

Тартиби муаллифон: Дар шакле, ки дар мақолаи нашршуда омадааст, нигоҳ дошта шудааст.

Саҳми баробар ё муаллифии якуми баробар: Зикр нашудааст.

Муаллифи масъул: Kuruba Madhusudhan.

Муассисаҳо: Bharatiya Engineering Science and Technology Innovation University, Gorantla, Andhra Pradesh, Ҳиндустон; Department of ECE, West Godavari Institute of Science and Engineering, Nallacherla Mandal, Andhra Pradesh, Ҳиндустон.

DOI:10.1002/ett.70202

Пайванди расмии нашр:Саҳифаи мақола дар Wiley Online Library

Маҷалла: Transactions on Emerging Telecommunications Technologies.

Ҷилд, шумора ва рақами мақола: Ҷилди 36, Шумораи 7, e70202.

Соли нашр: 2025.

Навъи манбаъ: Мақолаи таҳқиқотӣ, ки модели ошкорсозии ҳамла ба шабакаро дар асоси омӯзиши амиқ таҳия мекунад.

Ҳолати тақриз: Мақолаи маҷаллаи тақризшуда мебошад.

Раванди пешниҳоди мақола: 18 майи 2024 қабул шудааст, 25 октябри 2024 ислоҳ шудааст ва 5 январи 2025 пазируфта шудааст.

Ношири аслӣ: John Wiley & Sons Ltd.

Маҷмӯи дода: NSL-KDD.

Маблағгузорӣ: Дар мақола изҳороти ҷудогонаи маблағгузорӣ вуҷуд надорад.

Дастрасии дода: Дар мақола гуфта шудааст, ки додаи нав эҷод ё таҳлил нашудааст. Бо вуҷуди ин, азбаски таҳқиқот омӯзиши модел ва таҳлили самаранокиро дар маҷмӯи додаҳои NSL-KDD гузориш мекунад, ин изҳорот бо усули таҳқиқот ошкоро мувофиқ нест.

Дастрасӣ ба код ва модел: Барои коди манбаъ, вазнҳои модели омӯзонидашуда, натиҷаҳои интихоби хусусият ва файлҳои конфигуратсияи таҷриба пайванди кушода дода нашудааст.

Ин шарҳи туркӣ бо баррасии матни таҳқиқот, муодилаҳои математикӣ, ҷадвалҳо, схемаҳои меъморӣ, диаграммаҳои ҷараён, графикҳои самаранокӣ, каҷҳои ROC, ченкуниҳои истифодаи захираҳо, матритсаҳои иштибоҳ ва таҳлилҳои оморӣ омода шудааст. Манбаъҳои беруна танҳо барои тасдиқи маълумоти ҳувияти библиографӣ, аз қабили DOI, маҷалла, ҷилд, шумора, санаи нашр ва ношир истифода шудаанд; натиҷаҳои илмии самаранокие, ки дар таҳқиқот вуҷуд надоранд, илова нашудаанд.

Ҳисобҳои фоизие, ки бо истифода аз матритсаҳои иштибоҳи мақола анҷом дода шудаанд, арзёбии мустақими математикии қиматҳои ҳуҷайраҳои пешниҳодкардаи таҳқиқот мебошанд. Ин ҳисобҳо нишон медиҳанд, ки арзишҳои гузоришшудаи дақиқӣ, precision ва recall бо матритсаҳо мувофиқат намекунанд. Илова бар ин, дар нусхаи чопии муодилаҳои precision, recall ва F1 хатогиҳои асосии таърифӣ мавҷуданд. Аз ин рӯ, даъвоҳои самаранокӣ то замоне ки код ва пешгӯиҳои хом нашр нашаванд, набояд ҳамчун муваффақияти қатъии амалӣ қабул карда шаванд.