Ushbu tadqiqot Narsalar interneti tarmoqlaridagi normal va hujum trafiklarini ajratish uchun ikki bosqichli chuqur o‘rganish yondashuvini taklif qiladi. Birinchi bosqichda bir o‘lchovli konvolyutsion neyron tarmoq tarmoq trafikidagi xususiyatlarni ajratadi; Aquila Optimallashtirish Algoritmi esa tasniflash nuqtai nazaridan foydaliroq xususiyatlarni tanlashni maqsad qiladi. Ikkinchi bosqichda diqqat mexanizmi bilan qo‘llab-quvvatlangan ko‘p to‘lqinli yo‘nalishdagi avto-koder normal trafik bilan xizmatni rad etish, skanerlash va huquqni oshirish hujumlarini tasniflaydi.

Tadqiqotchilar modelni NSL-KDD ma’lumotlar to‘plamida baholagan va natijalar bo‘limida 99,35 foiz aniqlik, 99,28 foiz precision, 98,49 foiz recall va 98,89 foiz F1 ko‘rsatkichini bildirgan. Shuningdek, model taqqoslangan ayrim usullarga qaraganda qisqaroq inference vaqti, pastroq CPU ishlatilishi va barqaror xotira sarfini ko‘rsatgani da’vo qilinadi.

Biroq tadqiqotning sonli natijalari orasida muhim nomuvofiqliklar mavjud. Taqdim etilgan ikkilik chalkashlik matritsasidagi 10.000 namunadan 9.989 tasi to‘g‘ri tasniflangan; bu bevosita 99,89 foiz aniqlikka to‘g‘ri keladi va bildirilgan 99,35 foiz qiymat bilan mos emas. Besh sinfli matritsada esa 10.000 namunadan 9.986 tasi to‘g‘ri tasniflangan va bevosita hisoblangan aniqlik 99,86 foizni tashkil qiladi. Eng kam namunaga ega U2R sinfida matritsa bo‘yicha atigi uchta haqiqiy namunadan ikkitasi to‘g‘ri tasniflangan; bu sinf uchun matritsadan hisoblangan recall 66,67 foiz bo‘lishiga qaramay, matnda 98,3 foiz qiymati berilgan.

Shu sababli tadqiqot diqqat mexanizmi, CNN, meta-evristik xususiyat tanlash va to‘lqincha asosidagi avto-koderlarni bir arxitekturada birlashtirish mumkinligini ko‘rsatadi; biroq bildirilgan samaradorlik qiymatlari, amalga oshirish tafsilotlari va matematik ta’riflar o‘rtasidagi nomuvofiqliklar bartaraf etilmasdan turib, usul haqiqiy IoT tarmoqlarida 99 foizdan yuqori ishonchlilik bilan ishlaydi degan xulosaga kelib bo‘lmaydi.

Tadqiqot ko‘rib chiqayotgan muammo nima?

Narsalar interneti tizimlari sensorlar, kameralar, aqlli uy qurilmalari, sanoat boshqaruv komponentlari va aloqa modullari kabi ko‘plab ulangan qurilmalardan iborat. Ushbu qurilmalarning tarmoq orqali ma’lumot yuborishi hujumchilarga xizmatni rad etish, tarmoqni skanerlash, ruxsatsiz kirish va imtiyozlarni oshirish kabi hujumlarni amalga oshirish mumkin bo‘lgan keng yuzani yaratadi.

An’anaviy hujumni aniqlash tizimlari oldindan belgilangan qoidalar yoki imzolardan foydalanishi mumkin. Mashinaviy o‘rganishga asoslangan tizimlar esa tarmoq trafikidagi naqshlardan normal va anomal xatti-harakatlarni o‘rganishga urinadi. Biroq tarmoq yozuvlari yuqori o‘lchamli, shovqinli va sinflar bo‘yicha nomutanosib bo‘lishi mumkin. Ayniqsa, kam uchraydigan hujumlarning juda oz namunalar bilan ifodalanishi umumiy aniqlik yuqori bo‘lsa ham muhim hujumlarning ko‘zdan qochishiga olib kelishi mumkin.

Tadqiqotning maqsadi tarmoq ma’lumotlaridagi foydali xususiyatlarni avtomatik chiqaradigan va tanlaydigan modelni ushbu xususiyatlarni turli masshtablarda ifodalaydigan avto-koder bilan birlashtirishdir. Taklif etilgan arxitektura ikki asosiy komponentdan tashkil topadi:

• AO-CNN: Aquila Optimallashtirish Algoritmi bilan qo‘llab-quvvatlangan konvolyutsion neyron tarmoq.
• AMV-AE: Diqqatga asoslangan, ko‘p to‘lqinli yo‘nalishdagi avto-koder.

Modelning umumiy ishlash oqimi qanday?

1-shakldagi arxitekturaga ko‘ra jarayon quyidagi tartibda boradi:

1. NSL-KDD ma’lumotlar to‘plamidan tarmoq trafik yozuvlari olinadi.
2. Yetishmayotgan ma’lumotlar tekshiriladi va ma’lumotlar min–maks usuli bilan normallashtiriladi.
3. Bir o‘lchovli CNN yordamida xususiyat xaritalari chiqariladi.
4. Aquila Optimallashtirish Algoritmi eng maqbul deb qabul qilingan xususiyatlarni tanlaydi.
5. Tanlangan xususiyatlar diqqatga asoslangan ko‘p to‘lqinli avto-koderga beriladi.
6. Model trafik yozuvini normal yoki hujum deb tasniflaydi.
7. Ko‘p sinfli baholashda trafik Normal, DoS, Probe, U2R va R2L sinflaridan biriga biriktiriladi.

4-shaklda batafsilroq oqim sxemasi taqdim etilgan; ma’lumotlarni tozalash, normallashtirish, CNN qatlamlari, ReLU, pooling, Aquila bilan xususiyat tanlash, avto-koder transformatsiyasi, to‘lqincha masshtablash funksiyalari, yo‘qotishni hisoblash va samaradorlikni baholash ketma-ket bosqichlar sifatida ko‘rsatilgan.

Ma’lumotlar qanday oldindan qayta ishlangan?

Tadqiqotchilar sonli maydonlardagi yetishmayotgan qiymatlarni median, kategorik maydonlardagi yetishmayotgan qiymatlarni esa eng ko‘p uchraydigan qiymat bilan to‘ldirish mumkinligini bildiradi. Keyin ma’lumotlar min–maks normallashtirish orqali umumiy diapazonga o‘tkaziladi.

Standart min–maks normallashtirish quyidagicha:

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

Bu yerda S asl qiymat, S_n normallashtirilgan qiymat, min(S) xususiyatning eng kichik va max(S) eng katta qiymatidir.

Maqolada 1-tenglamaning qavs ishlatilishi aniq emas va ifoda:

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

ko‘rinishida o‘qilishi mumkin bo‘lgan tarzda terilgan. Matndagi izoh standart min–maks normallashtirishni ko‘rsatsa-da, amalda qaysi ifoda kodlangani ko‘rsatilmagan.

Konvolyutsion neyron tarmoq qanday vazifani bajaradi?

AO-CNN komponenti oldindan qayta ishlangan tarmoq yozuvlaridagi mahalliy xususiyat munosabatlarini o‘rganish uchun bir o‘lchovli konvolyutsiya qatlamlaridan foydalanadi. Konvolyutsiya qatlamidagi oraliq qiymat tadqiqotda quyidagi umumiy tuzilma bilan ifodalangan:

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

\[ U_p = fun(I_p) \]

Bu yerda O_k oldingi qatlamdan keladigan qiymatlarni, v_kp konvolyutsiya yadrosi og‘irliklarini, bias_p bias hadini va U_p faollashtirilgan chiqishni ifodalaydi.

ReLU faollashtirish funksiyasi:

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

ko‘rinishida berilgan. Maksimal pooling qatlami esa muayyan hududdagi eng katta qiymatni tanlab, xususiyat xaritasining o‘lchamini kamaytiradi:

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

Modelning yakuniy bosqichlarida ikkilik tasniflash uchun sigmoid, ko‘p sinfli tasniflash uchun softmax funksiyalari tushuntirilgan:

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

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

Giperparametrlar jadvalida sakkizta konvolyutsiya qatlami va oltita pooling qatlami borligi aytilgan. Biroq filtrlar soni, yadro o‘lchamlari, qadam qiymatlari, xususiyat xaritalari o‘lchamlari va qatlamlarning to‘liq ketma-ketligi berilmagan. Shu sababli arxitekturani koddan mustaqil ravishda qayta yaratish mumkin emas.

Aquila Optimallashtirish Algoritmi qanday ishlatiladi?

Aquila Optimallashtirish Algoritmi burgutning o‘lja qidirish va o‘ljaga yaqinlashish xatti-harakatlaridan ilhomlangan meta-evristik optimallashtirish usulidir. Tadqiqotda algoritm CNN tomonidan chiqarilgan xususiyatlar ichidan tasniflash uchun eng maqbul quyi to‘plamni tanlashda ishlatiladi.

Algoritm dastlab chegaralar ichida tasodifiy nomzod populyatsiyasini hosil qiladi:

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

Bu yerda LoB va UpB qidiruv makonining quyi va yuqori chegaralarini, j₁ esa 0–1 oralig‘idagi tasodifiy qiymatni ifodalaydi.

Aquila usuli qidiruv davomida eksploratsiya va ekspluatatsiya bosqichlari o‘rtasida almashadi. Eng yaxshi nomzod, o‘rtacha nomzod, tasodifiy tanlangan nomzod, Lévy parvozi va spiral harakat hadlari yordamida yangi yechimlar hosil qilinadi.

Biroq maqola Aquila algoritmi aynan qaysi o‘zgaruvchilarni optimallashtirishini to‘liq tushuntirmaydi. Noaniq qolgan jihatlar quyidagilar:

• Nomzod yechim ikkilik xususiyat niqobimi yoki uzluksiz og‘irlik vektorimi.
• Moslik funksiyasida aniqlik, xususiyatlar soni yoki boshqa mezon ishlatiladimi.
• Populyatsiya kattaligi va avlodlar soni.
• Yakunida nechta xususiyat tanlangani.
• Xususiyat tanlovi faqat o‘quv ma’lumotlari ustida amalga oshirilganmi.
• Tasodifiy boshlanishlar va takrorlar qanday nazorat qilingani.

Bu tafsilotlar berilmagani uchun AO-CNN samaradorlikka qay darajada hissa qo‘shgani va test ma’lumotiga axborot sizishi bor-yo‘qligini baholab bo‘lmaydi.

Avto-koder qanday ishlaydi?

Avto-koder kirish ma’lumotini pastroq o‘lchamli yashirin ifodaga aylantiradigan enkoder va shu ifodadan asl kirishni qayta tiklashga harakat qiladigan dekoderdan tashkil topadi.

Tadqiqotdagi asosiy transformatsiyalar:

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

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

ko‘rinishidadir. Bu yerda y kirish vektori, g yashirin xususiyat ifodasi va r qayta tiklangan chiqishdir.

An’anaviy avto-koderdan farqli ravishda yashirin birliklarda oddiy sigmoid yoki ReLU o‘rniga ko‘p to‘lqinli masshtablash funksiyalari ishlatiladi. Tadqiqotchilar bu statsionar bo‘lmagan signallarda turli masshtablardagi naqshlarni ushlashi mumkinligini ilgari suradi.

Ko‘p to‘lqinli komponent nima qiladi?

Tadqiqotda ikki qismli masshtablash funksiyasi ishlatilgan. Birinchi funksiya:

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

ko‘rinishida berilgan. Ikkinchi funksiya esa:

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

ko‘rinishida bo‘lishi kutiladi.

Maqolada 22-tenglama va 23-tenglama ikkalasi ham φ₁ deb belgilangan. Keyingi tenglamalar va 3-shakl ikkinchi funksiya φ₂ bo‘lishi kerakligini ko‘rsatadi. Bu usul bo‘limidagi aniq belgilash xatosidir.

3-shaklda har bir yashirin birlik uchun ikkita masshtablash funksiyasi va ularning og‘irlikli birikmasi ko‘rsatiladi. Yashirin birlik chiqishi:

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

ko‘rinishida hisoblanadi, so‘ng qayta tiklash uchun tanh funksiyasi ishlatiladi:

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

Usul bo‘limida Strela va Plonka ko‘p to‘lqinlariga tegishli masshtablash funksiyalari tushuntirilgan bo‘lsa, giperparametrlar jadvalida ishlatilgan to‘lqincha “Haar” deb ko‘rsatilgan. Haar to‘lqinchasining berilgan bo‘lakli polinom funksiyalar bilan ayni amaliyotda qanday bog‘langani tushuntirilmagan. Shu sababli haqiqatda qaysi to‘lqincha oilasi ishlatilgani noaniq.

Diqqat mexanizmining vazifasi nima?

Yumshoq diqqat moduli xususiyat xaritasining barcha qismlariga bir xil ahamiyat berish o‘rniga tasniflash nuqtai nazaridan foydaliroq deb o‘rganilgan qismlarga yuqoriroq og‘irlik beradi.

Tadqiqotda diqqat hisoblash umumiy tarzda:

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

ko‘rinishida berilgan. k CNN hosil qilgan xususiyat tensorini, We o‘rganiladigan diqqat og‘irliklarini va γ o‘rganiladigan masshtab koeffitsiyentini ifodalaydi.

Tadqiqotchilar past og‘irlik berilgan xususiyatlar ta’sirini kamaytirish orqali xotira va hisoblash xarajati pasayishi mumkinligini aytadi. Biroq diqqat qatlamining o‘lchami, model ichidagi aniq joyi, headlar soni va parametrlar miqdori tushuntirilmagan.

Qaysi ma’lumotlar to‘plami ishlatilgan?

Model NSL-KDD ma’lumotlar to‘plamida baholangan. Tadqiqotda o‘qitish qismida 21 ta hujum turi, test qismida esa 37 ta hujum turi borligi va ular to‘rtta asosiy hujum guruhiga bo‘lingani aytiladi:

• DoS: Xizmatni rad etish hujumlari.
• Probe: Tarmoq va xizmatlarni skanerlash hujumlari.
• U2R: Foydalanuvchi huquqidan administrator huquqiga ko‘tarilish urinishlari.
• R2L: Masofaviy tizimdan mahalliy foydalanuvchi kirishini olishga qaratilgan hujumlar.

Normal trafik bilan birga jami beshta sinf baholangan. Biroq tadqiqotda ishlatilgan aniq o‘quv va test fayllari nomlari, namuna sonlari, ma’lumotlarni bo‘lish usuli hamda ma’lumotlar to‘plamining to‘liq qismi yoki quyi to‘plami ishlatilgani ko‘rsatilmagan.

Chalkashlik matritsalari jami 10.000 test yozuvini o‘z ichiga oladi. Bu son ma’lumotlar to‘plamidan qanday tanlangani, tasodifiy namuna olish amalga oshirilganmi va sinf nisbatlari asl ma’lumotlar to‘plamidan o‘zgartirilganmi, tushuntirilmagan.

Tajriba muhiti qanday?

Model IoT qurilmalari uchun kam resurs sarflashi da’vo qilingan bo‘lsa-da, testlar mikrokontroller, shlyuz, mobil protsessor yoki edge-computing platasi ustida bajarilmagan. Intel ish stoli protsessorida olingan CPU va xotira qiymatlari haqiqiy resursi cheklangan IoT apparatidagi sarfni bevosita ko‘rsatmaydi.

Bildirilgan asosiy samaradorlik qiymatlari nimalar?

Matnning turli bo‘limlarida bu qiymatlar o‘zgaradi. Masalan, natija grafiklari izohida o‘rtacha aniqlik 99,3 foiz, precision 99,2 foiz va recall 98,4 foiz deb berilgan bo‘lsa, muhokama bo‘limida 99,3 foizlik F mezoni, 99,28 foizlik precision, 98,4 foizlik aniqlik va 98,89 foizlik recall tarzida boshqa tartib ishlatilgan.

Samaradorlik metrikalarining tenglamalari to‘g‘rimi?

Maqolada aniqlik tenglamasi to‘g‘ri berilgan:

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

Biroq precision uchun maqolada:

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

va recall uchun yana:

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

deb yozilgan. Bu ikki ifoda standart tasniflash ta’riflariga mos kelmaydi. To‘g‘ri tenglamalar:

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

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

bo‘lishi kerak.

Maqolada F1 ko‘rsatkichi:

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

ko‘rinishida bosilgan. Bu ifoda nol bo‘lmagan har qanday holatda 2 natijasini beradi. Standart F1 tenglamasi:

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

ko‘rinishidadir.

Bu xatolar faqat maqola terilishidami yoki dastur kodida ham ayni formulalar ishlatilganmi, tushuntirilmagan. Kod ulashilmagani sababli bildirilgan metrikalar qanday hisoblangani mustaqil ravishda tekshirib bo‘lmaydi.

Chalkashlik matritsalari nimani ko‘rsatadi?

Ikkilik normal–hujum matritsasi

12(a)-shakldagi kataklar quyidagicha:

Bu matritsadan bevosita hisoblangan aniqlik:

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

ya’ni 99,89 foizdir. Bu qiymat natijalar bo‘limidagi 99,35 foiz bilan mos kelmaydi.

Hujum musbat sinf deb qabul qilinganda va qatorlar haqiqiy sinflarni ko‘rsatganda:

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

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

olinadi. Bular ham bildirilgan 99,28 foizlik precision va 98,49 foizlik recall qiymatlaridan farq qiladi.

Besh sinfli matritsa

Besh sinfli matritsaning diagonalida jami 9.986 ta to‘g‘ri bashorat mavjud:

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

Bu qiymat ham 99,35 foiz deb bildirilgan umumiy aniqlik bilan mos kelmaydi.

Ayniqsa U2R sinfida atigi uchta haqiqiy namuna mavjudligi muhim sinf nomutanosibligi muammosini ko‘rsatadi. Ikki namuna to‘g‘ri, bir namuna noto‘g‘ri tasniflangan. Shunga qaramay, matn U2R uchun 98,3 foizlik recall bildiradi. Agar matritsa bilan matn bir xil tajriba natijasini ifodalasa, bu ikki qiymat bir vaqtda to‘g‘ri bo‘la olmaydi.

CPU, xotira va inference vaqti natijalari nimani ko‘rsatadi?

CPU grafikida foydalanish taxminan 1,1 foizdan 2,1 foizgacha o‘zgarishi ko‘rinadi. Xotira ishlatilishi esa taxminan 3,37 foiz darajasida barqaror chiziq sifatida taqdim etilgan. O‘lchovlar butun tizim sarfinimi yoki faqat Python jarayoninimi ko‘rsatishi va nechta namuna ustida olingani ko‘rsatilmagan.

Inference vaqti grafikida taklif etilgan model IRNN, TIKI-TAKA, CSE-IDS va DL-IDS usullari bilan taqqoslanadi. Xususiyatlarni pruning qilish nisbati oshgani sari taklif etilgan usul qisqaroq vaqt ko‘rsatgani ko‘rinadi. Biroq:

• Aniq inference vaqtlari jadval tarzida berilmagan.
• Taqqoslangan modellar ayni kompyuterda qayta amalga oshirilganmi, ko‘rsatilmagan.
• O‘rtacha, median, takrorlar soni va xato chizig‘i yo‘q.
• 10-shakl izohida xato tarzda “accuracy” iborasi ishlatilgan.
• Xususiyatlarning necha foizi va nechta xususiyat pruning qilingani batafsil berilmagan.

Shu sababli qisqa inference vaqti da’vosi vizual tendensiya beradi, biroq qayta ishlab bo‘ladigan vaqt o‘lchovini ta’minlamaydi.

Friedman testi nimani ko‘rsatadi?

Tadqiqotda tasniflagichlarning aniqlik, specificity, false-positive rate va AUC natijalarini taqqoslash uchun Friedman testi ishlatilgani aytilgan. 6-jadvalda p qiymatlari quyidagicha berilgan:

Mualliflar nol gipoteza rad etilganini aytadi. Biroq Friedman testidagi bloklar nima ekani aniq emas. Tadqiqot faqat NSL-KDD ma’lumotlar to‘plamidan foydalanishiga qaramay, to‘rtta ma’lumot guruhi va yettita algoritm borligi aytiladi. Takroriy tajribalar, ma’lumot bo‘linishlari yoki mustaqil ma’lumotlar to‘plamlari tushuntirilmagani sababli test qaysi kuzatuvlar ustida o‘tkazilganini qayta tiklab bo‘lmaydi.

6-jadvalning alfa qatorlarida 0,11, 0,0022, 0,00021 va 0,0052 kabi bir-biridan farqli qiymatlar mavjud; keyingi qatorda esa “α=0,1” iborasi bilan barcha gipotezalar rad etilgan qilib ko‘rsatilgan. Jadval sarlavhalari va qiymatlari statistik talqin nuqtai nazaridan yetarlicha aniq emas.

Tadqiqotning kuchli tomonlari nimalar?

• CNN asosidagi xususiyat chiqarish, meta-evristik xususiyat tanlash, ko‘p to‘lqinli transformatsiya va diqqat mexanizmini bitta arxitekturada birlashtiradi.
• Ikkilik va ko‘p sinfli hujumni aniqlashni ayni tadqiqot ichida baholaydi.
• Aniqlikdan tashqari precision, recall, F1, ROC, inference vaqti, CPU va xotira ishlatilishi kabi turli mezonlarni ko‘rib chiqadi.
• Chalkashlik matritsalarini taqdim etib, sinf bo‘yicha natijalarni tekshirish imkonini beradi.
• Modelning matematik komponentlarini tenglamalar va oqim sxemalari bilan tushuntirishga urinadi.
• Kam uchraydigan hujum sinflarini ham tasniflash muammosiga qo‘shadi.
• Peer-reviewdan o‘tgan telekommunikatsiya jurnalida chop etilgan tajribaviy tadqiqotdir.

Tadqiqotning asosiy cheklovlari nimalar?

• Precision, recall va F1 ko‘rsatkichi tenglamalari noto‘g‘ri bosilgan.
• Ikkilik va ko‘p sinfli chalkashlik matritsalaridan hisoblangan aniqlik qiymatlari bildirilgan umumiy aniqlik bilan mos kelmaydi.
• U2R sinfi uchun matritsadan hisoblangan recall 66,67 foiz bo‘lsa, matnda 98,3 foiz berilgan.
• Matnning turli bo‘limlarida aniqlik, precision, recall va F1 qiymatlari turli tartib va foizlarda taqdim etilgan.
• Ma’lumotlar to‘plamining aniq o‘quv–test bo‘linishi va 10.000 namunali test quyi to‘plami qanday yaratilgani tushuntirilmagan.
• Xususiyatlarni kodlash, kategorik transformatsiya va sinfni muvozanatlash bosqichlari ko‘rsatilmagan.
• Aquila algoritmining moslik funksiyasi, populyatsiya kattaligi, avlodlar soni va tanlangan xususiyatlar miqdori berilmagan.
• CNN filtrlar soni, yadro o‘lchamlari, qatlam o‘lchamlari va to‘liq arxitekturasi tushuntirilmagan.
• O‘qitish epoxasi, batch o‘lchami, o‘rganish tezligi, validatsiya qismi, early stopping va tasodifiy urug‘ ma’lumotlari berilmagan.
• Usul bo‘limida Strela–Plonka ko‘p to‘lqinlari tushuntirilgan bo‘lsa, giperparametrlar jadvalida Haar to‘lqincha deb yozilgan.
• Ikkinchi masshtablash funksiyasi xato tarzda yana φ₁ deb belgilangan.
• Avto-koder yo‘qotish tenglamalarida qayta tiklash xatosining kvadrati ko‘rinmaydi; bu terish xatosimi, tushuntirilmagan.
• Model resursi cheklangan IoT yoki edge-computing qurilmasida ishga tushirilmagan.
• Energiya samaradorligi da’vo qilingan bo‘lsa-da, energiya sarfi yoki quvvat o‘lchovi bajarilmagan.
• CPU va xotira grafiklari uchun o‘lchov usuli, takrorlar soni va noaniqlik qiymatlari berilmagan.
• Taqqoslash jadvalidagi tadqiqotlar turli ma’lumotlar to‘plami va tajriba sharoitlaridan foydalanadi; shu sababli foizlar nazoratli taqqoslash emas.
• Yangi yoki ilgari ko‘rilmagan hujumlarni alohida tajriba bilan aniqlash ko‘rsatilmagan.
• Manba kodi, o‘qitilgan model, tanlangan xususiyatlar ro‘yxati va tajriba skriptlari ulashilmagan.
• Ma’lumotlar mavjudligi bayonotida yangi ma’lumot yaratilmagani yoki tahlil qilinmagani yozilganiga qaramay, tadqiqot NSL-KDD ustida tahlil o‘tkazadi.

Tadqiqot nimani qo‘llab-quvvatlaydi?

Tadqiqot bir o‘lchovli CNN bilan chiqarilgan tarmoq trafik xususiyatlarini meta-evristik algoritm orqali tanlab, diqqat va ko‘p to‘lqinli komponentlari bo‘lgan avto-koderga uzatish mumkinligini qo‘llab-quvvatlaydi. Taqdim etilgan grafiklar va matritsalar model ishlatilgan test namunalarining katta qismini to‘g‘ri tasniflaganini ko‘rsatadi.

Shuningdek, turli hujum sinflari ayni arxitektura ichida tasniflanishi va xususiyat tanlash inference vaqtini qisqartirish salohiyatiga ega ekanini ko‘rsatadi.

Tadqiqot nimani isbotlamaydi?

• Model haqiqiy IoT tarmog‘ida 99,35 foizlik aniqlik bilan ishlashini isbotlamaydi.
• Usul ilgari ko‘rilmagan hujumlarni ishonchli aniqlashini alohida tajriba bilan ko‘rsatmaydi.
• Model zamonaviy yoki boshqa IoT trafik ma’lumotlar to‘plamlariga umumlashtirilishini ko‘rsatmaydi.
• Resursi cheklangan IoT qurilmasida real vaqtda ishlashini isbotlamaydi.
• Boshqa usullarga qaraganda kamroq energiya sarflashini ko‘rsatmaydi.
• Aquila optimallashtirish, diqqat moduli yoki ko‘p to‘lqinli komponentlardan qaysi biri samaradorlikka qancha hissa qo‘shganini ko‘rsatmaydi.
• Yuqori umumiy aniqlik kam uchraydigan U2R va R2L hujumlarida ham xuddi shunday muvaffaqiyatni anglatishini ko‘rsatmaydi.
• Taqqoslangan barcha usullar ayni ma’lumot bo‘linishi, apparat va kod muhitida sinovdan o‘tganini ko‘rsatmaydi.
• Bildirilgan metrikalar chalkashlik matritsalari bilan matematik jihatdan izchil ekanini ko‘rsatmaydi.

Turkiya nuqtai nazaridan qanday baholanishi mumkin?

Turkiyada aqlli ishlab chiqarish, energiya tizimlari, shahar infratuzilmalari, aloqa tarmoqlari va ulangan qurilmalar kengayishi tarmoq trafikini avtomatik kuzatishni muhim qilmoqda. Tadqiqotda taklif etilgan arxitektura universitetlar va tadqiqot laboratoriyalarida xususiyat tanlash, chuqur o‘rganish va diqqat mexanizmlarini hujumni aniqlashga qanday qo‘llash mumkinligini o‘rganish uchun boshlang‘ich model sifatida baholanishi mumkin.

Amaliyotga o‘tish uchun model Turkiyada ishlatiladigan haqiqiy tarmoq protokollari, tashkilot tarmoqlari, sanoat IoT trafiki va zamonaviy hujum namunalari ustida qayta o‘qitilishi kerak. Shuningdek, sinf nomutanosibligi, modelning izohlanuvchanligi, yolg‘on signal darajasi, onlayn yangilanish, ma’lumotlar maxfiyligi va edge qurilma resurs sarfi alohida tajribalar bilan o‘lchanishi lozim.

Tadqiqot usuli va natijalari

Usul xulosasi

Tasniflash natijalarini taqqoslash

Bu qiymatlar ayni tajriba bo‘limiga tegishli deb qabul qilinganda ular o‘rtasida matematik nomuvofiqlik mavjud. Tadqiqot xom bashorat fayllarini ulashmagani uchun qaysi natija yakuniy va to‘g‘ri ekanini aniqlab bo‘lmaydi.

Sinf bo‘yicha topilmalar

Umumiy aniqlik juda yuqori ko‘rinsa-da, test ma’lumotining taxminan 90 foizi Normal va DoS sinflaridan tashkil topadi. U2R sinfida atigi uchta namuna bo‘lgani sababli bitta noto‘g‘ri bashorat recallni 33,33 foizga kamaytiradi. Bu holat faqat umumiy aniqlikka qarash kam uchraydigan hujumlardagi zaiflikni yashirishi mumkinligini ko‘rsatadi.

Taqqoslangan usullar

Tadqiqotda taklif etilgan AMV-AE modeli RNN, CNN-LSTM, an’anaviy avto-koder, B-stacking, PCA–IHHO–KNN–SVM, LSTM-MAC, federativ o‘rganish, SS-Deep-ID va boshqa hujumni aniqlash usullari bilan taqqoslangan.

Bu jadval turli nashrlardan olingan natijalarni birlashtiradi. Barcha usullar ayni o‘quv–test bo‘linishi, ayni oldindan qayta ishlash, ayni apparat va ayni sinf taqsimotida qayta ishga tushirilgani ko‘rsatilmagan. Shu sababli kichik foiz farqlari bevosita usul ustunligi sifatida talqin qilinmasligi kerak.

Usulni qayta ishlab bo‘lishi uchun yetishmayotgan ma’lumotlar

Natijalarni ishonchli talqin qilish chegarasi

Taqdim etilgan chalkashlik matritsalari model ko‘rib chiqilgan namunalarda ko‘plab to‘g‘ri bashoratlar berganini ko‘rsatadi. Biroq matritsalardan hisoblangan qiymatlar maqoladagi umumlashtirilgan natijalar bilan mos kelmasligi samaradorlik bahosini qayta tekshirishni talab qiladi.

Ayniqsa kam uchraydigan hujum sinflari uchun makro o‘rtacha recall, muvozanatlangan aniqlik, sinf bo‘yicha precision va ishonch intervallari hisobot qilinishi kerak. Modelni turli ma’lumot bo‘linishlari va tasodifiy boshlanishlar ostida qayta ishga tushirish yuqori natijalar bitta bo‘linishga bog‘liqmi yoki yo‘qmi ko‘rsatadi.

Manba va usul bo‘yicha izoh

Tadqiqotning asl nomi: A Novel Multi-Wavelet Oriented Auto-Encoder for Intrusion Detection in IoT System

Mualliflar: Kuruba Madhusudhan; Aravind Kumar Madam.

Mualliflar tartibi: Chop etilgan maqoladagi ko‘rinishida saqlangan.

Teng hissa yoki teng birinchi mualliflik: Ko‘rsatilmagan.

Mas’ul muallif: Kuruba Madhusudhan.

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

DOI:10.1002/ett.70202

Rasmiy nashr havolasi:Wiley Online Library maqola sahifasi

Jurnal: Transactions on Emerging Telecommunications Technologies.

Jild, son va maqola raqami: Jild 36, Son 7, e70202.

Nashr yili: 2025.

Manba turi: Chuqur o‘rganishga asoslangan tarmoq hujumini aniqlash modelini ishlab chiqqan tadqiqot maqolasi.

Peer-review holati: Peer-reviewli jurnal maqolasidir.

Topshirish jarayoni: 18 may 2024 da qabul qilingan, 25 oktabr 2024 da qayta ko‘rib chiqilgan va 5 yanvar 2025 da qabul qilingan.

Asl nashriyot: John Wiley & Sons Ltd.

Ma’lumotlar to‘plami: NSL-KDD.

Moliyalashtirish: Maqolada alohida moliyalashtirish bayonoti mavjud emas.

Ma’lumotlar mavjudligi: Maqolada yangi ma’lumot yaratilmagani yoki tahlil qilinmagani aytilgan. Biroq tadqiqot NSL-KDD ma’lumotlar to‘plamida model o‘qitish va samaradorlik tahlilini bildirgani sababli bu bayonot tadqiqot usuli bilan ochiq ravishda mos kelmaydi.

Kod va modelga kirish: Manba kodi, o‘qitilgan model og‘irliklari, xususiyat tanlash natijalari va tajriba konfiguratsiya fayllari uchun ochiq havola berilmagan.

Ushbu turkcha izoh tadqiqot matni, matematik tenglamalari, jadvallari, arxitektura sxemalari, oqim diagrammalari, samaradorlik grafiklari, ROC egri chiziqlari, resurs ishlatilishi o‘lchovlari, chalkashlik matritsalari va statistik tahlillarini ko‘rib chiqish asosida tayyorlangan. Tashqi manbalar faqat DOI, jurnal, jild, son, nashr sanasi va nashriyot kabi bibliografik identifikatsiya ma’lumotlarini tasdiqlash maqsadida ishlatilgan; tadqiqotda mavjud bo‘lmagan ilmiy samaradorlik natijalari qo‘shilmagan.

Maqoladagi chalkashlik matritsalari yordamida bajarilgan foiz hisoblari tadqiqot tomonidan taqdim etilgan katak qiymatlarining bevosita matematik bahosidir. Bu hisoblar bildirilgan aniqlik, precision va recall qiymatlari matritsalar bilan mos kelmasligini ko‘rsatadi. Bundan tashqari, precision, recall va F1 tenglamalarining bosma nusxasida asosiy ta’rif xatolari mavjud. Shu sababli samaradorlik da’volari kod va xom bashoratlar ulashilmaguncha yakunlangan amaliy muvaffaqiyat sifatida qabul qilinmasligi kerak.