Intrusion Detection Using Deep Learning in Wireless Body Area Networks
Year: 2024
Type: article
Abstract: Normal 0 false false false EN-US X-NONE AR-SA /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0in 5.4pt 0in 5.4pt; mso-para-margin:0in; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman",serif;} Normal 0 false false false EN-US X-NONE AR-SA /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0in 5.4pt 0in 5.4pt; mso-para-margin:0in; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman",serif;} فراگیری استفاده از فناوری اطلاعات و شبکههای کامپیوتری باعث بروز حملات متعددی شده است که هدف عمده این حملات، به خطر انداختن امنیت شبکه و پایگاه دادههاست. شبکههای حسگر بیسیم بدنی که نوعی از فناوری جدید برای پیگیری وضعیت بیمار میباشد، نیز از این جهت مستثنی نیست. این شبکهها بدلیل کاربردهای حساس پزشکی از اهمیت ویژهای برخوردار هستند. هر گونه حمله و نفوذ به این شبکهها خسارات جبران ناپذیری را برای بیمار به همراه دارد. به همین منظور میتوان از سیستمهای تشخیص نفوذ به عنوان مکمل امنیت در ارتباطات شبکهای حسگر بدن، بهره برد. یکی از روشهای تأمین امنیّت استفاده از سامانه های تشخیص نفوذ به عنوان یک دفاع خط دوم است. از این رو که تکنیکهای متداول مخرب به طور تصادفی در حال افزایش است، روشهای سنتی قادر به جوابگویی در برابر حملات نیست. از وظائف سیستمهای تشخیص نفوذ در شبکههای حسگر بدن، علاوه بر شناسایی حملات، یادگیری الگوی رفتاری حمله در سیستم میباشد. یکی از موضوعات پرچالش در این سیستمها، دقت میباشد. روشهای جدیدی به منظور بهبود نرخ تشخیص درست و به حداقل رساندن نرخ تشخیص اشتباه ابداع شدهاند که با بهبود هر چه بیشتر دقت، کارایی سیستم افزایش مییابد. در این پژوهش، افزایش دقت که با استفاده از شبکه های پرسپترون چند لایه که یکی از روشهای یادگیری عمیق میباشد، انجام شده است. با افزایش تعداد لایههای پنهان، یادگیری کارآمدتر در این شبکهها انجام میشود. مجموعه داده WBAN rssi که از Kaggle گرفته شده است، در 3 کلاس مختلف نرمال، حملة نوع 1 و حملة نوع 2 بررسی میشود. سپس نمودار الگوریتم پیشنهادی برای دقت، درستی و فراخوانی و امتیاز F1 با استفاده از مجموعة داده به تنهایی و در 3 کلاس مختلف ترسیم شده است که نشان از دقت 0.72 میدهد.در هر کلاس و نوع حمله، میزان دقت و درستی و امتیاز F1 بررسی می شود و در انتها برای هر کدام جدول گزارش نشان داده می شود.
Authors: Hajian, Elham, Asadi, Navid
Institution: University of Bojnord
Language: English
Topic: Wireless Body Area Networks
Subfield: Biomedical Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: hybrid
OpenAlex ID: W6940308005
FWCI:
Cites:
Cited by:
Related to: