Automatic detection of intrusion attacks in iot networks usingBI-LSTM-CNN neural network

Abstract

Günümüzün hızla gelişen teknoloji ortamında, siber saldırılar ve olağandışı olayların artması, çeşitli sorunlara yol açabilecek bu düzensizliklerin ivedilikle tespit edilmesinin gerekliliğini vurgulamaktadır. Kötü niyetli saldırı sorunu, nesnelerin İnterneti (IoT) ağlarında kendini daha fazla göstermektedir, bu sorunun önemi de ilgi yoluyla oluşan ağ tarafından sunulan uygulamaların eleştirilmesiyle ortaya çıkmaktadır. Güç ağı, büyük imalat endüstrileri vb. Güç ağları, büyük imalat endüstrileri, vb. ağındaki herhangi bir düzensizlikten kaynaklı ciddi bir tehditle karşı karşıya kalacaktır. Bu saldırılar virüsler, saldırılar, kesintiler ve daha fazlası dahil olmak üzere birçok biçimde gerçekleşebilmektedir. Anomali tespiti tam da burada devreye girmektedir– veri akışlarında norm dışı olan bu sıra dışı olayları dikkatlice tanımlamanın bir yoludur. Bu zorluğun üstesinden gelmek için iki tekniği birleştiren yeni bir yaklaşım salık vermekteyiz: çift yönlü uzun kısa süreli bellek (Bi-LSTM) ve evrişimli sinir ağları (CNN). Bu eşleştirme, içerisinde anomalilerin daha hızlı ve daha doğru şekilde tanımlanmasını sağlayabilme potansiyelini bulundurmaktadır. Bu zorluğun üstesinden gelmek için iki tekniği birleştiren yeni bir yaklaşım öneriyoruz: çift yönlü uzun kısa süreli bellek (Bi-LSTM) ve evrişimli sinir ağları (CNN). Yöntemimiz, özel araçlar kullanan kontrollü bir siber ortamda derinlemesine test ettiğimiz köklü UNSW-NB15 veri kümesi üzerine tesis edilmiştir. Modelimizi daha da iyi hale getirmek için rektifiye edilmiş linear ağırlıkların kullanıldığı bir teknik ekledik. Bu ağırlıklar CNN kurulumlu Bi-LSTM için özel olarak tasarlanmıştır ve standart ağırlıkların üzerinde ilerleme sağlamaktadır. Yöntemimizi mevcut yöntemlerle karşılaştırdık ve etkileyici sonuçlarla karşı karşıya kaldık. Modelimiz %94.14'lük bir algılama doğruluğu elde ederek 'i %10,18, .'yı %13,89 ve 'yi %14,40 geride bıraktı. Bu, yaklaşımımızın anomalileri hızlı ve doğru bir şekilde tespit etmede son derece etkili olduğunun ayrıca gelişmiş siber güvenliğe katkıda bulunduğu anlamına gelmektedir.

In today's fast-paced technological landscape, the rise in cyber attacks and unusual incidents highlights the urgent need to quickly spot these irregularities, which can lead to various problems. The problem attacks and anomalies in Internet of Things (IoT) networks are more paramount; the significance of it is manifested by the criticality of the applications served by the network through the interest. Power networks, large manufacturing industries, etc. Will face a severe threat to any irregulations in IoT network. These attacks can take many forms, including viruses, hacks, disruptions, etc. That's where anomaly detection comes in – it's a way to carefully identify these unusual occurrences in data streams that stand out from the norm. To tackle this challenge, we suggest a new approach that combines two techniques: bidirectional long short-term memory (Bi-LSTM) and convolutional neural networks (CNN). This pairing has the potential to make identifying anomalies faster and more accurate. Our method is built on the well-established UNSW-NB15 dataset, which we've tested extensively in a controlled cyber environment using specialized tools. To make our model even better, we've added a technique using rectified linear weights. These weights are specially designed for the Bi-LSTM with CNN setup and provide improvements over the standard weights. We have compared our method with existing ones, and our results are impressive. Our model achieves a detection accuracy of 94.14%, surpassing by 10.18%, by 13.89%, and by 14.40%. This means our approach is highly effective in quickly and accurately identifying anomalies, contributing to enhanced cybersecurity.