5G tarmoqlarida qoʻllaniladigan hujumlarni aniqlash tizimlarining muvaffaqiyatini faqat bitta aniqlik yoki F1 qiymati bilan baholash muhim bir muammoni yashirishi mumkin: qancha hujum oʻtkazib yuborilgani bilan qancha normal tarmoq oqimi notoʻgʻri signal hosil qilgani bir xil narsa emas. Ushbu tadqiqot birinchi bosqichdagi klassifikator qarorini faqat zarur boʻlganda ekspert modellar bilan qayta tekshiradigan “conditional counter-inspection” arxitekturasini geterogenlashtirib, ushbu ikki turdagi xato oʻrtasidagi muvozanatni sozlash imkoniyatini oʻrganadi.
Tizim global klassifikator (G), uchta malicious-biased ekspertdan tashkil topgan EM tarmogʻi va uchta benign-biased ekspertdan tashkil topgan EB tarmogʻini oʻz ichiga oladi. Global model avval tarmoq oqimini benign yoki malicious deb tasniflaydi. Keyin faqat global qarorning qarama-qarshi sinfiga ixtisoslashgan uchta model ishga tushadi. Dastlabki qaror faqat ushbu uch ekspertning barchasi global klassifikatorga qarshi chiqqandagina oʻzgartiriladi. Shu tariqa tizim yettita modelni saqlasa ham, bitta yozuv uchun global model bilan birga faqat uchta ekspertni ishga tushiradi; yaʼni har bir yozuv uchun koʻpi bilan toʻrtta model baholanadi.
Tadqiqotchilar qaror daraxti (DT), Random Forest (RF), Extremely Randomized Trees (ET) va Histogram-based Gradient Boosting (HGB) algoritmlarini G, EM va EB rollariga turli kombinatsiyalarda joylashtirdilar. Logistic Regression (LR) esa ataylab zaif global birinchi bosqich yaratish maqsadida alohida qoʻllanildi. Tajribalar 5G-NIDD va UNSW-NB15 maʼlumotlar toʻplamlarida oʻtkazildi.
Tadqiqotning asosiy topilmasi oʻtkazib yuborilgan hujumlarni kamaytirish faqat CART qaror daraxtiga xos emasligidir. Koʻrib chiqilgan daraxtga asoslangan dataset–konfiguratsiya juftliklarining barchasida false negative soni global klassifikatorga nisbatan kamaydi. 5G-NIDDʼda bu kamayish konfiguratsiyaga qarab %36,5 bilan %79,6 oraligʻida boʻldi. Biroq ayrim konfiguratsiyalarda false negative kamaygan paytda false positive soni oshdi; demak, arxitektura har ikki xato turini bir vaqtda va shartsiz kamaytirmaydi.
Zaif Logistic Regression global klassifikatori ustidagi natija yanada eʼtiborlidir. 5G-NIDDʼda mustaqil LR 795 false positive va 571 false negative hosil qilgan boʻlsa, LR–RF–RF kombinatsiyasi ularni mos ravishda 57 va 24 gacha tushirdi. UNSW-NB15ʼda LR–RF–DT konfiguratsiyasi F1 qiymatini 0,902575 qiymatidan 0,934041 qiymatigacha oshirgan va oʻtkazib yuborilgan hujumlar sonini 19.629 qiymatidan 12.653 qiymatigacha kamaytirgan; biroq false positive sonini 1.897 qiymatidan 2.415 qiymatigacha oshirgan.
Turkiya nuqtayi nazaridan: Ushbu yondashuv Turkiyadagi mobil operatorlar, 5G/xususiy 5G infratuzilmalari, MEC tizimlari, maʼlumotlar markazlari va xavfsizlik operatsiyalari markazlari uchun tadqiq etishga arzigulik IDS arxitekturasini taklif qilishi mumkin. Ayniqsa notoʻgʻri signal xarajati bilan oʻtkazib yuborilgan hujumning xavfsizlik xarajati turlicha boʻlgan muhitlarda ayni qaror arxitekturasini turli ekspert kombinatsiyalari bilan sozlash mumkinligi muhimdir. Biroq tadqiqot Turkiyadagi haqiqiy 5G operator tarmogʻida oʻtkazilmagan. Mahalliy qoʻllash uchun real trafik taqsimotlari, hujum profillari, xususiyat ajratib olish xarajati, UPF/NWDAF/MEC integratsiyasi, kechikish va signal boshqaruvi alohida oʻlchanishi kerak.
Nega bitta F1 qiymati yetarli boʻlmasligi mumkin?
Hujumni aniqlash tizimida malicious trafik musbat sinf deb qabul qilinganda ikkita muhim xato yuz berishi mumkin. False positive (FP) — normal tarmoq oqimining hujum deb belgilanishi. False negative (FN) esa haqiqiy hujumning normal trafik sifatida baholanishidir.
Bu ikki xatoning operatsion xarajati teng emas. Juda koʻp FP yuz bersa, xavfsizlik tahlilchilari notoʻgʻri signallar bilan shugʻullanadi va signal charchogʻi paydo boʻlishi mumkin. Aksincha, FN yuqori boʻlsa, haqiqiy hujumlar aniqlash qatlamidan oʻtib ketadi. Shuning uchun ikki IDSʼning F1 qiymatlari bir-biriga juda yaqin boʻlsa ham, ularning xavfsizlik xulqi sezilarli darajada farq qilishi mumkin.
Tadqiqotning maqsadi faqat yuqoriroq F1 olish emas, balki ayni qaror arxitekturasi ichida qaysi xato turi ekspert model joylashuvi orqali agressivroq nazorat qilinishini oʻzgartira olishdir.
Shartli qarshi tekshiruv qanday ishlaydi?
Tadqiqotning 5. sahifasidagi 1-rasm arxitekturaning qaror mexanizmini aniq koʻrsatadi. Tarmoq oqimi avval global klassifikatorga yuboriladi. Global model benign qarorini bersa faqat malicious-biased ekspertlar, malicious qarorini bersa esa faqat benign-biased ekspertlar ishga tushiriladi.
Verianla Live: Shartli qarshi tekshiruv qaror oqimi
Quyidagi jadval tadqiqotning 1-rasmida taʼriflangan qaror mexanizmini umumlashtiradi. Tizim yettita modelni saqlasa ham, bitta oqimda koʻpi bilan toʻrtta model ishlaydi.
| Bosqich | Shart | Ishga tushiriladigan komponent | Natija |
|---|---|---|---|
| 1. Dastlabki tasniflash | Har bir tarmoq oqimi | Global klassifikator G | Benign yoki malicious dastlabki qaror hosil qilinadi. |
| 2A. Qarshi tekshiruv | G benign desa | 3 malicious-biased ekspert, EM | Uch ekspertning barchasi malicious desa, qaror maliciousga oʻzgartiriladi. |
| 2B. Qarshi tekshiruv | G malicious desa | 3 benign-biased ekspert, EB | Uch ekspertning barchasi benign desa, qaror benignga oʻzgartiriladi. |
| 3. Yakdillik boʻlmasa | Kamida bitta ekspert global qarorga qoʻshilsa | Qoʻshimcha model ishga tushirilmaydi | Global klassifikatorning dastlabki qarori saqlanadi. |
Verianla Live: Jarayon koʻrinishi yuqoridagi koʻrinadigan maʼlumotlar jadvalidan hosil qilinadi. Jadval ilmiy source-of-truth sifatida saqlanadi.
Nega “yakdillik bilan qarshi chiqish” qoʻllaniladi?
Ekspertlardan faqat bittasining global qarorga qarshi chiqishi yorliqni oʻzgartirish uchun yetarli emas. Masalan, global model oqimni benign deb baholagan boʻlsa, uchala malicious-biased ekspert ham malicious deyishi kerak.
Malicious-biased ekspertlarning yakdillik indikatori tadqiqotda:
\[ u_M(x)=\prod_{\rho\in R}E_M^{(\rho)}(x) \]
va benign-biased ekspertlar uchun:
\[ u_B(x)=\prod_{\rho\in R}\left[1-E_B^{(\rho)}(x)\right] \]
deb taʼriflangan.
Yakuniy qaror esa:
\[ \hat{y}(x)=[1-g(x)]u_M(x)+g(x)[1-u_B(x)] \]
koʻrinishida ifodalanadi. Bu yerda \(g(x)\) global klassifikatorning dastlabki qarorini bildiradi. Ushbu formula dastlabki benign qaror faqat barcha EM ekspertlari qarshi chiqqanda maliciousga, dastlabki malicious qaror esa faqat barcha EB ekspertlari qarshi chiqqanda benignga aylantirilishini belgilaydi.
Nega ekspertlar aynan bir xil maʼlumotda oʻqitilmaydi?
Har bir ekspert tarmogʻida uchta model mavjud va ular qarama-qarshi sinfga turli nisbatlarda duchor qilinadi. Tadqiqotda qoʻllanilgan nisbatlar:
\[ R=\{0{,}10,\;0{,}20,\;0{,}30\} \]
koʻrinishidadir.
Malicious-biased ekspert har bir malicious oʻquv namunasini koʻradi, benign sinfning esa faqat muayyan qismini koʻradi. Benign-biased ekspertlarda buning simmetrik varianti qoʻllaniladi. Shu tariqa modellar ayni asosiy tasniflash muammosini hal qilgan holda turli xato hududlariga sezgir boʻlib boradi.
Tadqiqotchilar ushbu oʻqitish tuzilmasini oʻzgartirmagan; ular faqat G, EM va EB rollarida ishlatiladigan oʻrganish algoritmlarini oʻzgartirgan. Ushbu tajriba dizayni natijalar farqi routing yoki yakdillik qoidasidan emas, oʻrganuvchi modelning joylashuvidan kelib chiqishini tekshirish uchun tanlangan.
G–EM–EB yozuvi nimani anglatadi?
Har bir konfiguratsiya uchlik shaklida yoziladi:
G – EM – EB
- G: Global birinchi bosqich klassifikatori.
- EM: Dastlabki qaror benign boʻlganda ishga tushadigan malicious-biased ekspertlar oilasi.
- EB: Dastlabki qaror malicious boʻlganda ishga tushadigan benign-biased ekspertlar oilasi.
Masalan, DT–RF–HGB global klassifikator Decision Tree, malicious-biased ekspertlar Random Forest va benign-biased ekspertlar Histogram-based Gradient Boosting ekanini anglatadi.
Koʻrib chiqilgan asosiy algoritmlar DT, RF, ET va HGBʼdir. Logistic Regression esa daraxt oʻrnidagi umumiy muqobil sifatida keng koʻlamda tekshirilmagan, balki aynan “zaif global filtr” stress tajribasi uchun qoʻllanilgan.
Nega tajriba oilasi barcha 64 kombinatsiyani tekshirmaydi?
Toʻrtta daraxtga asoslangan algoritmni uchta rolga joylashtirish nazariy jihatdan \(4^3=64\) xil kombinatsiya hosil qilishi mumkin. Tadqiqotchilar ularning barchasini tekshirmagan.
Buning oʻrniga toʻrtta nazorat qilinadigan tajriba oilasi yaratilgan:
| Tajriba oilasi | Konfiguratsiya yondashuvi | Oʻrganilgan savol |
|---|---|---|
| Global modelni oʻzgartirish | X–DT–DT | Birinchi bosqich modeli oʻzgarganda oʻtkazib yuborilgan hujumlarni qayta tutish davom etadimi? |
| Ekspertni oʻzgartirish | DT–X–X | Ekspert modeli FP/FN muvozanatini oʻzgartira oladimi? |
| Har ikki tomonni oʻzgartirish | X–X–X yoki X–Y–Z | Turli operatsion profillar hosil qilish mumkinmi? |
| Zaif global filtr | LR–Y–Z | Ekspert qatlami zaif birinchi klassifikatorni qutqara oladimi? |
Shu sababli tadqiqot barcha mumkin boʻlgan konfiguratsiyalar orasida mutlaq optimum topilganini daʼvo qilmaydi.
Nega 5G-NIDD va UNSW-NB15 birgalikda ishlatildi?
Ikki maʼlumotlar toʻplami turli murakkablik rejimlarini ifodalashi uchun tanlangan. 5G-NIDD haqiqiy funksional 5G sinov tarmogʻida hosil qilingan benign va hujum trafikini oʻz ichiga oladi va ishlatilgan daraxtga asoslangan modellar ushbu maʼlumotlar toʻplamida allaqachon nihoyatda yuqori natija koʻrsatadi.
5G-NIDDʼda train/test boʻlinishi stratified %80/%20 tarzida bajarilgan; 972.712 yozuv oʻqitish va 243.178 yozuv test uchun ishlatilgan. Malicious ulushi har ikki boʻlimda ham taxminan 0,607 ni tashkil etadi.
UNSW-NB15ʼda maʼlumotlar toʻplamining oldindan belgilangan boʻlimlari saqlangan: 82.332 oʻqitish va 175.341 test yozuvi. One-hot encodingʼdan soʻng 190 xususiyat olingan; malicious ulushi oʻqitishda 0,5506 va testda 0,6806 deb berilgan.
Barcha maʼlumot oʻzgartirishlari faqat oʻqitish boʻlimida fit qilingan va test boʻlimiga oʻzgartirilmasdan qoʻllanilgan. 5G-NIDDʼdagi Attack Type va Attack Tool ustunlari label leakage xavfini oldini olish uchun oʻqitishdan chiqarilgan.
Oʻtkazib yuborilgan hujumlar haqiqatan kamayadimi?
Tadqiqotning eng izchil natijasi false negative sonining kamayishidir. Global-only va homogeneous tree-based substitution tajribalarida har ikki maʼlumotlar toʻplamida ham koʻrib chiqilgan barcha dataset–konfiguratsiya juftliklari birinchi bosqichdagi global modelga qaraganda kamroq FN hosil qilgan.
5G-NIDDʼda nisbiy FN kamayishi %36,5 bilan %79,6 oraligʻida boʻlgan. Eng yuqori koʻrsatkich HGB–HGB–HGB konfiguratsiyasida kuzatilgan; HGB global modelining 54 false negative qiymati pipelineʼdan keyin 11 gacha tushgan.
UNSW-NB15ʼda taʼsir kichikroq. FN kamayishi taxminan %0,9 bilan %5,8 oraligʻida boʻlgan; HGB–HGB–HGB konfiguratsiyasida 16.657 FN qiymati 15.697 qiymatigacha tushgan.
Ushbu natija tadqiqot doirasida counter-inspectionʼning hujumni qayta tutish taʼsiri faqat Decision Tree xulqidan kelib chiqmasligini qoʻllab-quvvatlaydi. Biroq natija arxitektura barcha mumkin boʻlgan maʼlumotlar toʻplamlarida yoki barcha model oilalarida ayni xulqni koʻrsatishini isbotlamaydi.
Kamroq FN har doim yaxshiroq F1 deganimi?
Yoʻq. HGB–HGB–HGB buning yaqqol misolidir. 5G-NIDDʼda HGB global modeli atigi uchta false positive hosil qilgan boʻlsa, pipeline oxirida FP soni 109 gacha oshgan. Shu bilan birga FN 54 dan 11 gacha kamaygan.
Shu tariqa tizim ancha koʻproq hujumni aniqlagan, biroq koʻproq benign trafikni hujum sifatida belgilagan. F1 qiymati 0,999807 qiymatidan 0,999594 qiymatigacha biroz pasaygan.
Bu natija tadqiqotning asosiy tezisini qoʻllab-quvvatlaydi: ekspert qatlami faqat “samaradorlikni oshiruvchi” emas; xato profilining yoʻnalishini oʻzgartirishi mumkin.
Ekspert modelini oʻzgartirish FP/FN muvozanatiga qanday taʼsir qiladi?
Global model DT sifatida oʻzgarmas saqlanganda 5G-NIDDʼda RF ekspertlari eng muvozanatli profillardan birini yaratgan. Standalone DTʼdagi 48 FP va 51 FN, DT–RF–RF bilan 28 FP va 26 FNʼgacha tushgan. Bu FPʼda %41,7 va FNʼda %49,0 kamayish deganidir.
HGB ekspertlari agressivroq xavfsizlik profilini yaratgan: FN 51 dan 14 gacha tushgan paytda FP 48 dan 64 gacha oshgan. Shu tariqa missed-attack recovery kuchaygan, ammo notoʻgʻri signal xarajati oshgan.
UNSW-NB15ʼda ayni algoritmlarning xato profillari boshqacha xulq koʻrsatgan. HGB ekspertlari bu safar FPʼni %25,0 va FNʼni %5,2 kamaytirgan. Bu holat maʼlum bir ekspert algoritmi har bir maʼlumotlar toʻplamida doimiy FP/FN xulqini koʻrsatmasligini namoyon etadi.
Bitta “eng yaxshi konfiguratsiya” bormi?
Tadqiqot yondashuvi bunga ataylab qarshi chiqadi. Turli konfiguratsiyalar turli operatsion maqsadlarga xizmat qiladi.
| Maʼlumotlar toʻplami | Profil | Konfiguratsiya | FP | FN | F1 |
|---|---|---|---|---|---|
| 5G-NIDD | Homogeneous mos yozuv | DT–DT–DT | 30 | 27 | 0,999807 |
| 5G-NIDD | Baholangan eng yuqori F1 | DT–RF–HGB | 13 | 30 | 0,999854 |
| 5G-NIDD | DT bilan mos hujumni qayta tutish | DT–HGB–RF | 79 | 10 | 0,999699 |
| UNSW-NB15 | Homogeneous mos yozuv | DT–DT–DT | 1515 | 16.688 | 0,918558 |
| UNSW-NB15 | Eng yuqori daraxtga asoslangan F1 | HGB–RF–RF | 2356 | 13.893 | 0,928464 |
Masalan, UNSW-NB15ʼda HGB–RF–RF F1ʼni oshirib, FNʼni kamaytirgan, biroq FP sonini 1.515 dan 2.356 gacha oshirgan. Ushbu konfiguratsiya hujumlarni tutish ustuvor boʻlgan muhit uchun mazmunli boʻlishi mumkin; ammo signal hajmi kritik boʻlgan boshqa operatsiya uchun ayni tanlov mos kelmasligi mumkin.
Zaif birinchi bosqich haqiqatan qutqarilishi mumkinmi?
Tadqiqotning muhim tajribalaridan birida Logistic Regression modeli ataylab zaif global klassifikator sifatida ishlatilgan.
5G-NIDDʼda standalone LR:
- 795 false positive,
- 571 false negative,
- 0,994410 F1
hosil qilgan.
LR–RF–RF ishlatilganda:
- FP 57 gacha,
- FN 24 gacha,
- F1 0,999726 gacha
yetgan.
Verianla Live: Zaif LR filtrining 5G-NIDDʼda qutqarilishi
Xom xato sonlari ayni test toʻplamida standalone Logistic Regression bilan LR–RF–RF pipelineʼi oʻrtasidagi taqqoslashdir.
| Xato turi | LR standalone | LR–RF–RF | Nisbiy oʻzgarish |
|---|---|---|---|
| False Positive | 795 | 57 | −%92,8 |
| False Negative | 571 | 24 | −%95,8 |
Verianla Live: Sonlar tadqiqotning ayni maʼlumotlar toʻplami va ayni test boʻlimi uchun bergan xom FP/FN natijalaridir.
UNSW-NB15ʼda esa LR–RF–DT konfiguratsiyasi ayniqsa recall yoʻnalishidagi natija bergan. F1 0,902575 qiymatidan 0,934041 qiymatigacha oshgan; FN 19.629 qiymatidan 12.653 qiymatigacha kamaygan. Bunga qarshi FP 1.897 qiymatidan 2.415 qiymatigacha oshgan.
Shu sababli tadqiqot zaif dastlabki filtr har bir xato turida shartsiz yaxshilanishini emas, balki ekspert qatlami yordamida sezilarli ravishda qayta shakllantirilishi mumkinligini koʻrsatadi.
Pipeline haqiqatan “yengil”mi?
Arxitektura yettita alohida modelni oʻz ichiga oladi: bitta global model, uchta EM ekspert va uchta EB ekspert. Biroq yoʻnaltirish tufayli ayni oqimda faqat bitta ekspert tarmogʻi ishlaydi. Shunday qilib:
1 global model + 3 ekspert = koʻpi bilan 4 model baholanishi
amalga oshiriladi.
Tadqiqotning single-threaded oʻlchovlarida toʻliq pipeline klassifikator kechikishi sinovdan oʻtkazilgan barcha backboneʼlarda har bir yozuv uchun 0,1 msʼdan past boʻlgan.
| Maʼlumotlar toʻplami | Backbone | Pipeline kechikishi (ms/yozuv) | Throughput (yozuv/s) | 7 model hajmi (MB) |
|---|---|---|---|---|
| 5G-NIDD | DT | 0,0024 | 425.393 | 0,20 |
| 5G-NIDD | RF | 0,0340 | 29.377 | 50,14 |
| 5G-NIDD | ET | 0,0554 | 18.062 | 435,63 |
| 5G-NIDD | HGB | 0,0395 | 25.311 | 2,83 |
| UNSW-NB15 | DT | 0,0057 | 174.853 | 1,19 |
| UNSW-NB15 | RF | 0,0733 | 13.635 | 383,01 |
| UNSW-NB15 | ET | 0,0978 | 10.228 | 1102,31 |
| UNSW-NB15 | HGB | 0,0497 | 20.127 | 2,77 |
Bu jadval muhim farqni koʻrsatadi. Yoʻnaltirish nuqtayi nazaridan pipeline past va chegaralangan inference xarajatiga ega; biroq barcha model oilalari ham kam xotira isteʼmol qilmaydi. Ayniqsa ET va RF modellarida umumiy model hajmi yuzlab megabayt, hatto taxminan 1,1 GBʼgacha yetishi mumkin.
Shu sababli “lightweight” atamasi bu yerda barcha konfiguratsiyalar kichik degan maʼnoni anglatmasligi kerak. DT va HGB modellari xotira nuqtayi nazaridan ancha ixcham koʻrinsa, RF va ETʼning ayrim xato profillari yuqoriroq xotira xarajati evaziga olinadi.
0,1 ms natijasi haqiqiy 5G kechikishimi?
Yoʻq. Bu tadqiqotni notoʻgʻri talqin qilmaslik kerak boʻlgan eng muhim nuqtalardan biridir.
Oʻlchangan vaqtlar faqat klassifikator inference vaqtidir. Test maʼlumotlari oldindan tayyorlangan va bashoratlar offline batch sharoitida bitta ish oqimidan foydalanib oʻlchangan.
Haqiqiy 5G IDS tizimida bularga qoʻshimcha ravishda:
- tarmoq paketlari yoki oqimlarini ushlash,
- flow feature ajratib olish,
- maʼlumotni modelga uzatish,
- oldindan ishlov berish,
- alert yaratish,
- SIEM/SOC integratsiyasi,
- network function ichidagi boshqa hisoblash xarajatlari
ham boʻladi.
Shu sababli “EPoLBFT...” emas, aynan ushbu tadqiqotdagi conditional counter-inspection IDS uchun berilgan 0,1 msʼdan past qiymatlar haqiqiy end-to-end 5G hujum aniqlash kechikishi sifatida talqin qilinmasligi kerak.
MEC, UPF va NWDAF nuqtayi nazaridan qoʻllanish imkoniyati qanday baholanadi?
Tadqiqotchilar arxitekturani 5G network edge, Multi-access Edge Computing (MEC), User Plane Function (UPF) yaqinidagi monitoring nuqtalari yoki Network Data Analytics Function (NWDAF) atrofidagi tizimlarda qoʻllash mumkinligini muhokama qiladi.
Geterogen arxitekturaning muhim xususiyati shundaki, turli ekspert modellar qoʻshilganiga qaramay, u yangi tarmoq oʻlchovlarini talab qilmaydi. Global model va barcha ekspertlar ayni flow-level feature vector ustida ishlaydi.
Demak, mavjud homogeneous CART tizimi talab qiladigan xususiyatlar muayyan network monitoring nuqtasida allaqachon hosil qilinayotgan boʻlsa, geterogen versiya ham ayni xususiyatlardan foydalanishi mumkin. Biroq tadqiqotda haqiqiy MEC/UPF/NWDAF integratsiyasi amalga oshirilmagan.
Tadqiqot qoʻllab-quvvatlaydigan xulosalar
- Conditional counter-inspection arxitekturasida G, EM va EB rollarini turli oʻrganish algoritmlari bilan toʻldirish mumkinligi koʻrsatilgan.
- Koʻrib chiqilgan barcha daraxtga asoslangan konfiguratsiyalar ikki maʼlumotlar toʻplamida ham oʻzining standalone global klassifikatoriga nisbatan maʼlum miqdorda FNʼni kamaytirgan.
- Ekspert backbone tanlovi false positive va false negative muvozanatiga yoʻnaltirilgan taʼsir koʻrsatishi mumkinligi koʻrsatilgan.
- Turli G–EM–EB kombinatsiyalari turli xavfsizlik operatsion profillarini hosil qilgan.
- Zaif Logistic Regression birinchi bosqichi daraxtga asoslangan ekspertlar yordamida sezilarli darajada yaxshilanishi mumkinligi koʻrsatilgan.
- Conditional routing tufayli har bir yozuv uchun koʻpi bilan toʻrtta model baholangan.
- Tadqiqotda oʻlchangan classifier-only inference vaqtlari sinovdan oʻtkazilgan barcha backboneʼlarda har bir yozuv uchun 0,1 msʼdan past boʻlgan.
Tadqiqot qoʻllab-quvvatlamaydigan yoki hali sinovdan oʻtkazmagan xulosalar
- Arxitektura haqiqiy ishlab chiqarish 5G tarmogʻida ayni kechikish bilan ishlashi koʻrsatilmagan.
- 0,1 msʼdan past oʻlchov end-to-end packet capture–feature extraction–alert latency emas.
- Barcha 64 daraxtga asoslangan G–EM–EB kombinatsiyasi tekshirilmagan.
- Tadqiqotda tanlangan operatsion profillar mustaqil validation set orqali deployment optimum sifatida aniqlanmagan.
- Model faqat benign–malicious ikkilik tasniflash doirasida baholangan; hujum oilasini tasniflash sinovdan oʻtkazilmagan.
- 5G-NIDDʼda olingan near-ceiling natijalar turli haqiqiy tarmoq trafiklariga ayni shaklda umumlashtirilishi koʻrsatilmagan.
- Random Forest va Extra Trees ishlatadigan barcha konfiguratsiyalar kam xotirali edge qurilmalariga mosligi koʻrsatilmagan.
- Turkiyadagi haqiqiy 5G yoki xususiy 5G tarmoqlarida validatsiya oʻtkazilmagan.
Tadqiqot usuli va natijalari
Maʼlumot va oldindan ishlov berish
| Xususiyat | 5G-NIDD | UNSW-NB15 |
|---|---|---|
| Vazifa | Benign / malicious ikkilik tasniflash | Benign / malicious ikkilik tasniflash |
| Oʻqitish yozuvi | 972.712 | 82.332 |
| Test yozuvi | 243.178 | 175.341 |
| Split | Stratified %80 / %20 | Maʼlumotlar toʻplamining oldindan belgilangan partitionʼlari |
| Malicious prevalence | 0,607 oʻqitish va test | 0,5506 oʻqitish; 0,6806 test |
| Kategorik xususiyatlar | One-hot encoding | One-hot encoding |
| Maxsus leakage chorasi | Attack Type va Attack Tool chiqarildi | Manbada bunga mos qoʻshimcha ustunni chiqarish koʻrsatilmagan |
Qoʻllanilgan modellar va dasturiy muhit
| Komponent | Sozlama |
|---|---|
| Decision Tree | DecisionTreeClassifier, random_state=42 |
| Random Forest | 200 daraxt, random_state=42 |
| Extra Trees | 200 daraxt, random_state=42 |
| HGB | HistGradientBoostingClassifier, random_state=42 |
| Logistic Regression | Median imputation → StandardScaler → LogisticRegression; max_iter=3000, solver=lbfgs |
| Curriculum nisbatlari | 0,10; 0,20; 0,30 |
| Ekspertlar soni | 3 EM + 3 EB |
| Random seed | 42 |
| Python | 3.12.13 |
| scikit-learn | 1.6.1 |
| NumPy | 2.0.2 |
| pandas | 2.2.2 |
| SciPy | 1.16.3 |
Tadqiqotchilar har bir konfiguratsiya uchun alohida hyperparameter optimizatsiya qilmagan. Qatʼiy algoritm sozlamalarining maqsadi samaradorlik farqi unequal tuning emas, balki model qaysi rolga joylashtirilganini aks ettirishini taʼminlashdir.
Baholash mezonlari
Malicious sinfi musbat deb olinib, accuracy, precision, recall va F1 quyidagi standart shaklda hisoblangan:
\[ Accuracy=\frac{TP+TN}{TP+TN+FP+FN} \]
\[ Precision=\frac{TP}{TP+FP} \]
\[ Recall=\frac{TP}{TP+FN} \]
\[ F1=\frac{2\cdot Precision\cdot Recall}{Precision+Recall} \]
Tadqiqot ayniqsa FP va FNʼning xom sonlarini ham saqlagan. Bu yondashuv muhim, chunki juda yuqori F1 qiymatlari ostida bir necha oʻn xato oʻrtasidagi operatsion farq normallashtirilgan ballarda deyarli koʻrinmay qolishi mumkin.
5G-NIDD: ekspert backbone taqqoslanishi
| DT global + ekspert backbone | FP oʻzgarishi | FN oʻzgarishi | F1 | Manbada taʼriflangan profil |
|---|---|---|---|---|
| DT | −%37,5 | −%47,1 | 0,999807 | Homogeneous CART mos yozuvi |
| RF | −%41,7 | −%49,0 | 0,999817 | Muvozanatli xato kamayishi |
| ET | −%2,1 | −%37,3 | 0,999732 | Recall yoʻnalishidagi tuzatish |
| HGB | +%33,3 | −%72,5 | 0,999736 | Agressiv FN kamaytirish |
UNSW-NB15: ekspert backbone taqqoslanishi
| DT global + ekspert backbone | FP oʻzgarishi | FN oʻzgarishi | F1 | Manbada taʼriflangan profil |
|---|---|---|---|---|
| DT | −%27,0 | −%1,3 | 0,918558 | Asosan FP kamayishi |
| RF | +%1,2 | −%14,8 | 0,927151 | DT-global variantlar ichida eng yuqori F1 |
| ET | +%2,2 | −%6,2 | 0,920116 | Oʻrtacha FN kamayishi |
| HGB | −%25,0 | −%5,2 | 0,921549 | Birgalikda kamayish; FP ustuvor |
Zaif LR filtri natijalari
| Maʼlumotlar toʻplami | Konfiguratsiya | FP | FN | F1 |
|---|---|---|---|---|
| 5G-NIDD | LR standalone | 795 | 571 | 0,994410 |
| 5G-NIDD | LR–DT–DT | 59 | 25 | 0,999716 |
| 5G-NIDD | LR–RF–RF | 57 | 24 | 0,999726 |
| 5G-NIDD | LR–HGB–HGB | 106 | 10 | 0,999607 |
| UNSW-NB15 | LR standalone | 1897 | 19.629 | 0,902575 |
| UNSW-NB15 | LR–DT–DT | 1530 | 16.761 | 0,918143 |
| UNSW-NB15 | LR–RF–DT | 2415 | 12.653 | 0,934041 |
UNSW-NB15ʼda LR–RF–DT tadqiqot hisobotidagi konfiguratsiyalar ichida eng katta mutlaq F1 oʻsishini bergan: +0,031466. Biroq ayni konfiguratsiya standalone LRʼga nisbatan FPʼni %27,3 oshirgan. Shu sababli natija “zaif klassifikator har jihatdan yaxshilandi” tarzida emas, recall va aggregate F1 foydasiga yangi xato profiliga koʻchirildi tarzida talqin qilinishi kerak.
Inference xarajatini oʻlchash
Kechikish tajribalari 5G-NIDDʼning 243.178 va UNSW-NB15ʼning 175.341 held-out test yozuvida oʻtkazilgan. Bashoratlar single-threaded rejimda bajarilgan, warm-upʼdan keyin beshta vaqt oʻlchovi ichidagi eng yaxshi natija ishlatilgan.
Pipeline/global kechikish nisbati taxminan 3,3× bilan 5,8× oraligʻida boʻlgan. Bu oʻsish yettita modelning barchasi ishga tushirilishini anglatmaydi; conditional routing tufayli faqat global + faol uchta ekspert baholanadi.
Tadqiqotdagi eng past toʻliq-pipeline qiymati 5G-NIDD DT uchun 0,0024 ms/yozuv, eng yuqori qiymat esa UNSW-NB15 ET uchun 0,0978 ms/yozuvdir.
Bu vaqtlar faqat classifier inference vaqtidir; feature extraction, data movement va alert handling qamrab olinmagan.
Tadqiqotning asosiy cheklovlari
- 64 mumkin boʻlgan daraxtga asoslangan geterogen uchlikning barchasi tekshirilmagan.
- Deployment-oriented profillar held-out test natijalaridan aniqlangan; mustaqil validation partition orqali tanlanmagan.
- Faqat ikki maʼlumotlar toʻplami ishlatilgan va feature fazolari farqli boʻlgani uchun cross-dataset transfer amalga oshirilmagan.
- Kechikish oʻlchovlari offline, batch va single-threaded classifier inference sharoitida bajarilgan.
- Jonli 5G network function ichida end-to-end ishlash oʻlchanmagan.
- Muammo binary benign/malicious tasniflash bilan cheklangan.
- RF va ET asosidagi ekspert profillari sezilarli xotira talab qilishi mumkin.
Kelajakdagi tadqiqot yoʻnalishlari
Mualliflar kelajakdagi ish sifatida hujum turlarini alohida sinflar tarzida koʻradigan multi-class kengaytmalarni, maxsus validation maʼlumotida xarajat funksiyasi bilan profil tanlashni, koʻproq IDS maʼlumotlar toʻplamida tasdiqlashni, geterogen kombinatsiyalar fazosini tizimliroq oʻrganishni va haqiqiy 5G edge/network-function muhitida runtime baholashni taklif qiladilar.
Multi-class kengaytma uchun yagona multi-class global klassifikatorga bogʻlangan hujum oilasi ekspertlari, one-vs-rest correction ekspertlari, oʻxshash hujumlarni qamrab oladigan guruh ekspertlari yoki avval benign/malicious ajratish, keyin hujum turini tasniflashni amalga oshiradigan ierarxik tuzilma variantlari muhokama qilinadi.
Manba va usul haqida izoh
Toʻliq asl tadqiqot nomi: Heterogeneous Conditional Counter-Inspection: Configurable Error Control and Weak-Filter Recovery for 5G Network Intrusion Detection
Mualliflar: Khaoula Tahori; Imade Fahd Eddine Fatani; Mohamed Moughit; Hicham Magri.
Mualliflar tartibi: Manbadagi tartib aynan saqlangan.
Teng birinchi muallif/teng hissa: Manbada teng birinchi mualliflik belgisi koʻrsatilmagan.
Masʼul mualliflar: Imade Fahd Eddine Fatani va Mohamed Moughit.
Muassasalar: Sciences and Techniques for the Engineer Laboratory (LASTI), National School of Applied Science, University Sultan Moulay Slimane, Khouribga, Marokash; Artificial Intelligence, Modeling & Computational Engineering Laboratory (AIMCE), The National Higher School of Arts and Crafts (ENSAM), Hassan II University of Casablanca, Kasablanka, Marokash; Center for Studies and Research in Engineering and Organization Management, Higher School of Multimedia, Computer Science & Networks–Supemir, Hassan II University of Casablanca, Kasablanka, Marokash.
Jurnal: Future Internet.
Nashriyot: MDPI, Basel, Switzerland.
Jild / son / maqola raqami: 18 / 7 / 381.
DOI: 10.3390/fi18070381
Qabul qilib olingan sana: 16 iyun 2026.
Qayta koʻrib chiqilgan sana: 15 iyul 2026.
Qabul qilingan sana: 17 iyul 2026.
Nashr sanasi: 22 iyul 2026.
Manba turi: Taqrizdan oʻtgan tadqiqot maqolasi; mashinaviy oʻrganishga asoslangan tarmoq hujumlarini aniqlash arxitekturasi va taqqoslama maʼlumotlar toʻplami baholashi.
Taqriz holati: Taqrizdan oʻtgan ilmiy nashr.
Litsenziya: Creative Commons Attribution (CC BY).
Rasmiy nashr havolasi:https://doi.org/10.3390/fi18070381
Maʼlumot manbalari: Tajribalar ochiq 5G-NIDD va UNSW-NB15 maʼlumotlar toʻplamlari bilan oʻtkazilgan. Manbada 5G-NIDDʼga IEEE Dataport orqali, UNSW-NB15ʼga esa uning asl tarqatuvchilari orqali kirish mumkinligi qayd etilgan.
Kod mavjudligi: Oʻqitilgan modellar, hosila natija jadvallari va toʻliq implementatsiya masʼul muallifdan asosli soʻrov asosida olinishi mumkinligi bildirilgan. Manba ochiq va toʻgʻridan-toʻgʻri yuklab olinadigan kod repositoriyasini bermaydi.
Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.
Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvini bildirmagan.
Muallif hissalari: Konseptuallashtirish, maʼlumotlarni kuratsiya qilish, usul, dasturiy taʼminot, loyiha boshqaruvi va dastlabki qoralama Khaoula Tahori; formal tahlil Khaoula Tahori, Imade Fahd Eddine Fatani, Mohamed Moughit va Hicham Magri; ilmiy rahbarlik Imade Fahd Eddine Fatani va Mohamed Moughit; koʻrib chiqish va tahrirlash Khaoula Tahori, Imade Fahd Eddine Fatani va Mohamed Moughit tomonidan bajarilgan. Manbada barcha mualliflar chop etilgan versiyani oʻqib, tasdiqlagani koʻrsatilgan.
Oldingi tadqiqot bilan bogʻliqlik: Tadqiqot ayni guruh tomonidan avval chop etilgan homogeneous CART asosidagi conditional counter-inspection arxitekturasini kengaytiradi. Yangi tadqiqotning hissasi ayni pipelineʼni shunchaki qayta sozlash emas; G, EM va EB rollarini bir-biridan ajratib, turli oʻrganish algoritmlari turli operatsion profillar hosil qiladimi-yoʻqmi, shuni sinashdir.
Konfiguratsiya tanlash cheklovi: Geterogen tadqiqot fazosi toʻliq brute-force tarzida tekshirilmagan. Xususan, deployment-oriented profillar alohida validation partition orqali tanlangan aniq deployment optimumlar emas; ular held-out test natijalarida kuzatilgan tushuntiruvchi profillardir.
Samaradorlik oʻlchovi cheklovi: 0,1 msʼdan past vaqtlar haqiqiy tarmoqning end-to-end IDS kechikishi emas, balki offline single-threaded classifier inference oʻlchovlaridir. Feature extraction, packet/flow acquisition, data movement va alert handling kiritilmagan.
“Lightweight” atamasi haqida izoh: Tadqiqot lightweight xususiyatini primarily conditional routingʼning har bir yozuv uchun koʻpi bilan toʻrtta model baholanishi bilan cheklangan hisoblash tuzilmasiga bogʻlaydi. Random Forest va Especially Extra Trees konfiguratsiyalarida umumiy model izi yuzlab megabayt yoki taxminan 1,1 GBʼgacha yetishi mumkinligi sababli barcha backboneʼlar kam xotirali degan xulosa chiqarilmasligi kerak.
Ilmiy qamrov cheklovi: Natijalar 5G-NIDD va UNSW-NB15ʼda binary benign/malicious tasniflashga tegishli. Multi-class attack identification, haqiqiy network-function integratsiyasi, jonli MEC/UPF/NWDAF joylashtirish va Turkiyadagi 5G trafik muhitlari ushbu tadqiqotda sinovdan oʻtkazilmagan.
Verianla Live izohi: Jarayon vizualizatsiyasi tadqiqotning 1-rasmidagi conditional routing va unanimous dissent mexanizmiga asoslanadi. LR–RF–RF taqqoslashida faqat ayni 5G-NIDD test toʻplamidan berilgan standalone LR va pipeline xom FP/FN qiymatlari ishlatilgan. Turli maʼlumotlar toʻplamlarining xom xato sonlari ayni grafikda taqqoslanmagan.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan