Uma comunicação equilibrada

Scientific Reports volume 13, Número do artigo: 9083 (2023) Citar este artigo

56 acessos

1 Altmétrica

Detalhes das métricas

O campo da Internet das Coisas criou muitos desafios para as arquiteturas de rede. Garantir a segurança do ciberespaço é o principal objetivo dos sistemas de detecção de intrusão (IDSs). Devido ao aumento do número e dos tipos de ataques, os pesquisadores têm buscado aprimorar os sistemas de detecção de intrusão, protegendo de forma eficiente os dados e dispositivos conectados no ciberespaço. O desempenho do IDS está essencialmente vinculado à quantidade de dados, dimensionalidade dos dados e recursos de segurança. Este artigo propõe um novo modelo IDS para melhorar a complexidade computacional, fornecendo detecção precisa em menos tempo de processamento do que outros trabalhos relacionados. O método do índice de Gini é usado para calcular a impureza dos recursos de segurança e refinar o processo de seleção. Um método de árvore de decisão de máquina de vetor de suporte que evita a comunicação balanceada é executado para melhorar a precisão da detecção de intrusão. A avaliação é realizada usando o conjunto de dados UNSW-NB 15, que é um conjunto de dados real e está disponível publicamente. O modelo proposto alcança alto desempenho na detecção de ataques, com uma precisão de aproximadamente 98,5%.

A Internet das Coisas (IoT) é amplamente utilizada em nosso dia a dia. Dispositivos eletrônicos precisavam estar conectados à Internet para oferecer suporte ao monitoramento e gerenciamento. Os algoritmos de inteligência artificial (IA) adicionaram grandes oportunidades aos sistemas de inteligência distribuída. Os métodos de IA formam tomadores de decisão inteligentes e reduzem a centralização das decisões, que demandam considerável consumo de tempo. No entanto, a complexidade dos sistemas inteligentes distribuídos está aumentando continuamente1. Essa complexidade é revelada em termos da enorme quantidade de dados, da natureza dos dados, do tamanho dos conjuntos de dados e dos algoritmos inteligentes2. Esses desafios constituem um ambiente ideal para ataques cibernéticos.

Os Sistemas de Detecção de Intrusão (IDSs) sempre buscaram acompanhar o aumento da complexidade do sistema. Os sistemas IDS visam proteger os dispositivos físicos e os dados do usuário. Portanto, a segurança cibernética é a chave para o sucesso dos serviços em nuvem. Os métodos tradicionais que usam firewalls, autenticação do usuário e criptografia são insuficientes para proteger os dispositivos no ciberespaço. Essa insuficiência se deve à nova detecção de intrusão que está aumentando rapidamente3,4. Os IDSs tentaram detectar ataques recentes, como phishing, negação de serviço, malware, etc. O romance IDS busca reconhecer um novo ataque de acordo com o comportamento da rede. Com base no algoritmo AI, um IDS classifica se o comportamento da rede é normal ou anormal.

Abordagens de Machine Learning (ML) tornaram-se uma necessidade vital para sistemas de detecção de intrusão. Essas abordagens podem alcançar uma classificação precisa do comportamento da rede para evitar ataques cibernéticos. Muitos métodos de ML, como Support Vector Machines (SVMs), k-Nearest Neighbors (k-NN), Logistic Regressions (LRs), Decision Trees (DTs) e Naïve Bayes (NB) são usados ​​por IDSs para detectar invasões5,6 ,7. Outros métodos sendo usados ​​para melhorar a precisão da detecção de ataques. Todos esses métodos ainda sofrem com muitas dimensões ou características dos dados e com o fluxo massivo de tráfego de dados. Esses desafios levam à complexidade do processamento e requerem um tempo considerável. Portanto, fornecer um IDS confiável é o principal objetivo no campo da segurança cibernética.

Como resultado, os sistemas de detecção de intrusão enfrentam os seguintes desafios: (1) múltiplas naturezas, dimensionalidade e características dos dados; (2) Alto fluxo de tráfego de dados; (3) Complexidade computacional; e (4) Requer tempo considerável. À luz desta introdução, este artigo busca fornecer um sistema de detecção de intrusão mais preciso baseado no método Balanced Communication-Avoiding Support Vector Machine Decision Tree (BCA-SVMDT). O objetivo proposto é suportar a complexidade, fornecendo detecção precisa em menos tempo de processamento do que outros trabalhos relacionados. As metas são as seguintes: