Intrusion Detection Using Deep Learning in Wireless Body Area Networks

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.