A Balanced Intrusion Detection System for Wireless Sensor Networks in a Big Data Environment Using CNN-SVM Model

Capa

Citar

Texto integral

Resumo

Wireless Sensor Networks (WSNs) were exposed to several distinct safety issues and attacks regarding gathering and sending data. In this scenario, one of the most prevalent WSN assaults that may target any tier of the protocol stack is the Denial of Service (DoS) attack. The current research suggested various strategies to find the attack in the network. However, it has classification challenges. An effective ensemble deep learning-based intrusion detection system to identify the assault in the WSN network was, therefore, suggested in this research to address this issue. The data pre-processing involves converting qualitative data into numeric data using the One-Hot Encoding technique. Following that, Normalization Process was carried out. Then Manta-Ray Foraging Optimization is suggested to choose the best subset of features. Then Synthetic Minority Oversampling Technique (SMOTE) oversampling creates a new minority sample to balance the processed dataset. Finally, CNN–SVM classifier is proposed to classify the attack kinds. The Accuracy, F-Measure, Precision, and Recall metrics were used to assess the outcomes of 99.75%, 99.21%, 100%, and 99.6%, respectively. Compared to existing approaches, the proposed method has shown to be extremely effective in detecting DoS attacks in WSNs.

Sobre autores

K. Krishna

Prasad V. Potluri Siddhartha Institute of Technology

Autor responsável pela correspondência
Email: kprkrishna007@gmail.com
Teacher’s Colony, Bhavanipuram -

R. Thirumuru

Koneru Lakshmaiah Education Foundation (Deemed to be University), Vaddeshwaram

Email: ramakrishnaece@kluniversity.in
Green Fields, Vaddeswaram -

Bibliografia

  1. Kopetz H. Internet of things. Real-time systems. 2011. pp. 307–323. doi: 10.1007/978-1-4419-8237-7_13.
  2. Alsulaiman L., Al-Ahmadi S. Performance evaluation of machine learning techniques for DOS detection in wireless sensor network. arXiv preprint arXiv:2104.01963. 2021.
  3. Aziz N.A.A., Aziz K.A. Managing disaster with wireless sensor networks. 13th international conference on advanced communication technology (ICACT2011). 2011. pp. 202–207.
  4. Butun I., Morgera S.D., Sankar R. A survey of intrusion detection systems in wireless sensor networks. IEEE Communications surveys and tutorials. 2013. vol. 16. no. 1. pp. 266–282.
  5. Pelechrinis K., Iliofotou M., Krishnamurthy S.V. Denial of service attacks in wireless networks: The case of jammers. IEEE Communications surveys and tutorials. 2010. vol. 13. no. 2. pp. 245–257.
  6. López J., Zhou J. (Eds.). Wireless sensor network security. Ios Press, 2008. 320 p.
  7. Das S.K., Kant K., Zhang N. Handbook on securing cyber-physical critical infrastructure. Elsevier Inc., 2012. 848 p.
  8. Rassam M.A., Maarof M.A., Zainal A. A survey of intrusion detection schemes in wireless sensor networks. American Journal of Applied Sciences. 2012. vol. 9. no. 10. pp. 1636–1652.
  9. Mahbooba B., Sahal R., Alosaimi W., Serrano M., Alosaimi W. Trust in intrusion detection systems: an investigation of performance analysis for machine learning and deep learning models. Complexity. 2021. vol. 2021. 23 p. doi: 10.1155/2021/5538896.
  10. Cauteruccio F., Fortino G., Guerrieri A., Liotta A., Mocanu D.C., Perra C., Terracina G., Vega M.T. Short-long term anomaly detection in wireless sensor networks based on machine learning and multi-parameterized edit distance. Information Fusion. 2019. vol. 52. pp. 13–30.
  11. Vinayakumar R., Alazab M., Soman K.P., Poornachandran P., Al-Nemrat A., Venkatraman S. Deep learning approach for intelligent intrusion 936 detection system. IEEE Access. 2019. vol. 7. pp. 41525–41550.
  12. Alqahtani M., Gumaei A., Mathkour H., Maher Ben Ismail M. A genetic-based extreme gradient boosting model for detecting intrusions in wireless sensor networks. Sensors. 2019. vol. 19(20). no. 4383. doi: 10.3390/s19204383.
  13. Tan X., Su S., Huang Z., Guo X., Zuo Z., Sun X., Li L. Wireless sensor networks intrusion detection based on SMOTE and the random forest algorithm. Sensors. 2019. vol. 19(1). doi: 10.3390/s19010203.
  14. Jiang S., Zhao J., Xu X. SLGBM: An intrusion detection mechanism for wireless sensor networks in smart environments. IEEE Access. 2020. vol. 8. pp. 169548–169558.
  15. Abhale A.B., Manivannan S.S. Supervised machine learning classification algorithmic approach for finding anomaly type of intrusion detection in wireless sensor network. Optical Memory and Neural Networks. 2020. vol. 29. pp. 244–256.
  16. Tang C., Luktarhan N., Zhao Y. An efficient intrusion detection method based on LightGBM and autoencoder. Symmetry. 2020. vol. 12(9). no. 1458. doi: 10.3390/sym12091458.
  17. Nancy P., Muthurajkumar S., Ganapathy S., Santhosh Kumar S.V.N., Selvi M., Arputharaj K. Intrusion detection using dynamic feature selection and fuzzy temporal decision tree classification for wireless sensor networks. IET Communications. 2020. vol. 14. no. 5. pp. 888–895.
  18. Liu J., Gao Y., Hu F. A fast network intrusion detection system using adaptive synthetic oversampling and LightGBM. Computers and Security. 2021. vol. 106. no. 102289.
  19. Al S., Dener M. STL-HDL: A new hybrid network intrusion detection system for imbalanced dataset on big data environment. Computers and Security. 2021. vol. 110. no. 102435.
  20. Ifzarne S., Tabbaa H., Hafidi I., Lamghari N. Anomaly detection using machine learning techniques in wireless sensor networks. Journal of Physics: Conference Series. 2021. vol. 1743(1). no. 012021. doi: 10.1088/1742-6596/1743/1/012021.
  21. Pan J.S., Fan F., Chu S.C., Zhao H.Q., Liu G.Y. A Light-weight Intelligent Intrusion Detection Model for Wireless Sensor Networks. Security and Communication Networks. 2021. vol. 2021(2). 15 p. doi: 10.1155/2021/5540895.
  22. Zamry N.M., Zainal A., Rassam M.A., Alkhammash E.H., Ghaleb F.A., Saeed F. Light-weight Anomaly Detection Scheme Using Incremental Principal Component Analysis and Support Vector Machine. Sensors. 2021. vol. 21(23). no. 8017. doi: 10.3390/s21238017.
  23. Yadav A., Kumar A. Intrusion Detection and Prevention Using RNN in WSN. Proceedings of Inventive Computation and Information Technologies (ICICIT). 2022. pp. 531–539.
  24. Tabbaa H., Ifzarne S., Hafidi I. An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks. arXiv preprint arXiv:2204.13814. 2022. 15 p.
  25. Salmi S., Oughdir L. CNN-LSTM Based Approach for Dos Attacks Detection in Wireless Sensor Networks. International Journal of Advanced Computer Science and Applications. 2022. vol. 13. no. 4. pp. 835–842.
  26. Dener M., Al S., Orman A. STLGBM-DDS: An Efficient Data Balanced DoS Detection System for Wireless Sensor Networks on Big Data Environment. IEEE Access. 2022. vol. 10. pp. 92931–92945.
  27. Almomani I., Al-Kasasbeh B., Al-Akhras M. WSN-DS: A dataset for intrusion detection systems in wireless sensor networks. Journal of Sensors. 2016. vol. 2016. 16 p. doi: 10.1155/2016/4731953.
  28. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: Synthetic minority over-sampling technique. Journal of artificial intelligence research. 2002. vol. 16. pp. 321–357.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».