In recente jaren, nieuwe technologische ontwikkelingen hebben geleid tot een groeiend aantal apparaten, variërend van meer conventionele computers tot andere gadgets en slimme huishoudelijke apparaten, communiceren en gegevens met elkaar delen. Ondanks zijn voordelen, deze groeiende onderlinge verbinding tussen apparaten, bekend als het internet der dingen (IoT), vormt een ernstige bedreiging voor de veiligheid.

In feite, naarmate meer apparaten gegevens delen via internet, deze gegevens worden blootgesteld aan cyberaanvallen, die steeds frequenter en geavanceerder worden. Drie soorten aanvallen die momenteel worden gezien als de grootste bedreigingen voor IoT-apparaten zijn denial-of-service (DoS), man-in-the-middle- en SQL-aanvallen.

Zich bewust van de risico's die gepaard gaan met de voortdurende toename van IoT-apparaten, een team van onderzoekers van Glasgow Caledonian University en COMSATS University in Pakistan heeft onlangs een nieuw systeem ontwikkeld dat zou kunnen helpen gevoelige informatie die via internet wordt gedeeld, te beschermen. Dit inbraakdetectiesysteem, uiteengezet in een paper gepresenteerd op IEEE's 2019 China Emerging Technologies (UCET) conferentie, is gebaseerd op een kunstmatige bijenkolonie (ABC) algoritme en een willekeurig neuraal netwerk (RNN).

Een ABC-algoritme is een optimalisatietechniek voor zwermintelligentie die veel wordt gebruikt in onderzoek naar kunstmatige intelligentie (AI). die het foerageergedrag van honingbijen simuleert om praktische en rekenkundige problemen aan te pakken. Een willekeurig neuraal netwerk (RNN), anderzijds, is een klasse van machinale leermodellen die zijn geïnspireerd op het gedrag van biologische neurale netwerken in het menselijk brein.

"In deze krant, er wordt een op anomalie gebaseerd inbraakdetectiesysteem voorgesteld dat gevoelige informatie kan beschermen en nieuwe cyberaanvallen kan detecteren, " schreven de onderzoekers in hun paper. "Het kunstmatige bijenkolonie (ABC) -algoritme wordt gebruikt om het op willekeurige neurale netwerk (RNN) gebaseerde systeem (RNN-ABC) te trainen".

De onderzoekers trainden hun RNN-ABC-schema voor inbraakdetectie op de NSL-KDD Train+ dataset. NSL-KDD is een dataset die wordt gebruikt om algoritmen te trainen om cyberaanvallen te detecteren, die een enorme hoeveelheid gegevens over het internetverkeer bevat.

Na het trainen van hun RNN-ABC-model op internetverkeersgegevens, de onderzoekers voerden een reeks tests uit om de prestaties te evalueren bij het identificeren en classificeren van cyberaanvallen. Hun bevindingen zijn veelbelovend, omdat hun schema nieuwe aanvallen kon classificeren met een opmerkelijke nauwkeurigheid van 91,65 procent.

In aanvulling, het team vergeleek het nieuwe model met een bestaand inbraakdetectiesysteem op basis van een hybride multiplayer perceptron (MLP), een soort kunstmatig neuraal netwerk (ANN) dat is getraind met behulp van een leertechniek onder toezicht die bekend staat als backpropagation. Opmerkelijk, ze ontdekten dat het RNN-ABC-schema aanzienlijk beter presteerde dan de MLP-techniek, omdat het beter generaliseerde over nieuwe gegevens.

interessant, de onderzoekers merkten op dat de nauwkeurigheid van hun schema bij het classificeren van cyberaanvallen groter was wanneer de kolonieomvang van de ABC-zwermintelligentiecomponent groter was, dus, toen meer "kunstmatige bijen" bijdroegen aan de optimalisatie van het model. In de toekomst, hun RNN-ABC-inbraakdetectiemethode zou kunnen worden gebruikt om efficiëntere tools te ontwikkelen om cyberaanvallen op verschillende apparaten die met internet zijn verbonden, te identificeren, uiteindelijk de beveiliging van IoT-netwerken verbeteren.

© 2019 Wetenschap X Netwerk