Comparison of intrusion detection for the internet of things with machine and deep learning methods

Abstract

Intrusion detection and cyber security are important topics in the internet of things (IoT)domain nowadays. With the expansion of using objects that are connected to wireless networks in IoT, the amount of data that we share via network systems is growing rapidly. This data may be vulnerable to attacks and threats and need to secure to increase the system's confidentiality, integrity, availability, and reliability. Attacks are becoming more complex and difficult to detect. The process of detecting attacks using artificial intelligence algorithms autonomously without the need for human control or manual examination has become a trend topic in network intrusion detection systems (NIDS). In this article, we decide to apply different classical machine learning (ML) and deep learning (DL) methods on UNSW-NB15 open dataset. In deep learning methods we exclude the need to feature selection these methods generate the non-linear combinations the features have less effect get lesser weights automatically, but the problem of overfitting with DL methods is still remaining and to solve it we used different techniques like cross-validation, early stopping, and parameters tuning techniques. We make experiments to find out the best way to identify the anomaly in IoT based environment, make comparisons between different artificial intelligence (AI) models and propose new techniques and smart solutions to improve performance and increase accuracy in intrusion detection systems (IDS).

Saldırı tespiti ve siber güvenliği, güzümüzde nesnelerin interneti (IoT) alanında en önemli konularından biridir. Nesnelerin internetinde kablosuz ağlara bağlı nesnelerinin kullanımı yaygınlaşmasıyla birlikte ağ sistemleri üzerinden paylaştığımız veri miktarı hızla artmaktadır. Bu veriler saldırılara ve tehditlere karşı savunmasız olabilir ve sistemin gizliliğini, bütünlüğünü, kullanılabilirliğini ve güvenilirliğini artırmak için güvenliğini sağlamaları gerekir. Saldırılar daha karmaşık ve tespit edilmesi zor hale gelmektedir. İnsan kontrolüne veya manuel incelemeye ihtiyaç duymadan yapay zeka algoritmalarını kullanarak saldırıları otonom olarak tespit etme süreci, ağ saldırı tespit sistemlerinde (ASTS) trend konusu haline gelmiştir. Bu çalışmada, UNSW-NB15 açık veri kümesi üzerinde farklı klasik makine öğrenme (MÖ) ve derin öğrenme (DÖ) yöntemlerini uygulanmıştır. Derin öğrenme yöntemlerinde, özellik seçimi işlemine gerek kalmadan bu yöntemler doğrusal olmayan kombinasyonlar üretir, özelliklerin daha az etkisi olan, otomatik olarak daha az ağırlık alır, ancak DÖ yöntemleriyle aşırı öğrenme sorunu hala devam edebilir ve bunu çözmek için çapraz doğrulama, erken durdurma ve parametreleri ayarlama gibi farklı teknikler kullanılmıştır. IoT tabanlı anomali tespiti işlemine en iyi metodu bulmak için deneyler geliştirilmiş, farklı yapay zeka (YZ) modelleri arasında karşılaştırmalar yapılmış ve saldırı tespit sistemlerinde (STS) performansı iyileştirmek ve doğruluğu artırmak için yeni teknikler ve akıllı çözümler sunulmuştur.