På senare år har nya tekniska framsteg har lett till ett växande antal enheter, allt från mer konventionella datorer till andra prylar och smarta hushållsapparater, kommunicera och dela data med varandra. Trots sina fördelar, denna växande sammankoppling mellan enheter, känd som Internet of Things (IoT), utgör allvarliga säkerhetshot.

Faktiskt, allt eftersom fler enheter delar data över internet, denna data blir utsatt för cyberattacker, som blir allt vanligare och mer sofistikerade. Tre typer av attacker som för närvarande ses som de största hoten mot IoT-enheter är denial-of-service (DoS), man-in-the-midten och SQL-attacker.

Medveten om riskerna med den kontinuerliga ökningen av IoT-enheter, ett team av forskare vid Glasgow Caledonian University och COMSATS University i Pakistan har nyligen utvecklat ett nytt system som kan hjälpa till att skydda känslig information som delas över internet. Detta intrångsdetekteringsschema, beskrivs i ett dokument som presenterades vid IEEE:s 2019 China Emerging Technologies (UCET) konferens, är baserad på en artificiell bikoloni (ABC) algoritm och ett slumpmässigt neuralt nätverk (RNN).

En ABC-algoritm är en svärmintelligensoptimeringsteknik som ofta används i forskning om artificiell intelligens (AI), som simulerar honungsbins födosöksbeteende för att hantera praktiska och beräkningsproblem. Ett slumpmässigt neuralt nätverk (RNN), å andra sidan, är en klass av maskininlärningsmodeller inspirerade av beteendet hos biologiska neurala nätverk i den mänskliga hjärnan.

"I det här pappret, ett anomalibaserat system för intrångsdetektering föreslås som kan skydda känslig information och upptäcka nya cyberattacker, " skrev forskarna i sin uppsats. "Algorithmen för artificiell bikoloni (ABC) används för att träna det slumpmässiga neurala nätverket (RNN) baserade systemet (RNN-ABC)".

Forskarna tränade sitt RNN-ABC-schema för intrångsdetektering på NSL-KDD Train+ dataset. NSL-KDD är en datauppsättning som används för att träna algoritmer för att upptäcka cyberattacker, som innehåller en stor mängd internettrafikregistreringsdata.

Efter att ha tränat sin RNN-ABC-modell på internettrafikdata, forskarna genomförde en serie tester för att utvärdera dess prestanda för att identifiera och klassificera cyberattacker. Deras resultat är mycket lovande, eftersom deras system kunde klassificera nya attacker med en anmärkningsvärd noggrannhet på 91,65 procent.

Dessutom, teamet jämförde den nya modellen med ett befintligt intrångsdetekteringssystem baserat på en hybrid multiplayer perceptron (MLP), en typ av artificiellt neuralt nätverk (ANN) som tränas med hjälp av en övervakad inlärningsteknik känd som backpropagation. Anmärkningsvärt, de fann att RNN-ABC-schemat avsevärt överträffade MLP-tekniken, eftersom det generaliserades bättre över nya data.

Intressant, forskarna observerade att deras systems noggrannhet vid klassificering av cyberattacker var större när kolonistorleken på dess ABC-svärmintelligenskomponent var större, Således, när fler "konstgjorda bin" bidrog till optimeringen av modellen. I framtiden, deras RNN-ABC intrångsdetektionsmetod skulle kunna användas för att utveckla effektivare verktyg för att identifiera cyberattacker på en mängd olika enheter anslutna till internet, i slutändan förbättra säkerheten för IoT-nätverk.

© 2019 Science X Network