Telsiz Duyarga Ağlarda Bizans Saldırılarının Topluluk Öğrenme-tabanlı Tespiti
Yükleniyor...
Tarih
2020
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Telsiz duyarga ağlar (TDA)’da düğümler arasında güvenilir iletişimin sağlanması ve doğru verilerintoplanması birçok açıdan hayati önem taşımaktadır. TDA’ların merkezi iletişim altyapısıolmadığından dolayı, bu ağlar çeşitli saldırılara maruz kalabilmektedirler. TDA’larda yaygın saldırıtürlerinden birisi olan Bizans saldırısında, saldırgan ağ alanına yeni bir düğüm ekleyip sahte verilerüreterek ağın güvenilirliğini düşürebilmektedir. Bu çalışma, TDA’da Bizans saldırılarının tespitineyönelik iki yeni topluluk tabanlı yaklaşım önermektedir. Önerilen bu yaklaşımlar, 3 farklı gelenekselsınıflandırma algoritmasının (Naive Bayes, karar ağacı (C4.5) ve k-en yakın komşuluk (İng. k-NN))voting ve stacking yönetimleri ile bir araya getirilmesinden meydana gelmektedir. Ayrıca, deneyselçalışmalar kapsamında, önerilen iki yeni yaklaşımın yanı sıra, mevcut topluluk öğrenmesiyaklaşımları (C4.5 tabanlı Bagging (Bagging(C4.5)) ve Boosting (AdaBoost)) ile gelenekselalgoritmalar (Naive Bayes, C4.5 ve k-NN) da, 66 IRIS düğümünden (60 normal, 6 saldırgan) oluşanörnek ağ üzerinde uygulanmıştır. Her bir algoritmadan elde edilen sınıflandırma sonuçları, doğrulukoranı ve f-ölçüm değerlerine göre karşılaştırılmıştır. Test yatağından elde edilen sonuçlargöstermektedir ki, topluluk tabanlı yöntemler, TDA’da Bizans saldırılarının tespitinde %98.48doğruluk oranına ulaşırken, geleneksel (tek bir sınıflandırma modeli kullanan) yöntemler %96.97 ilesınırlı kalmaktadır. Çok sayıda düğüm içeren daha büyük ağlarda, bu oranların arasındaki farkartabilir.
Reliable communication and accurate data collection are crucial tasks in Wireless Sensor Networks (WSNs). Due to the lack of having no central communication infrastructure, WSNs can be exposed to various attacks. One of the common attack types in WSNs is Byzantine attack, in which the attacker can reduce the reliability of the network by adding new nodes to the network area and sending fake data. This study proposes two ensemble-based approaches for detecting the Byzantine attacks in WSNs. The proposed approaches combine three different traditional classification algorithms (Naive Bayes, decision tree (C4.5), and k-NN) with voting and stacking methods. In addition to the proposed methods, the current ensemble learning approaches (C4.5 based Bagging (Bagging(C4.5)) and Boosting (AdaBoost)) and the traditional algorithms (Naive Bayes, C4.5 and k-NN) were applied on a sample network of 66 IRIS nodes (60 normal, 6 malicious) within experimental studies. The classification results obtained from each algorithm were compared according to the accuracy rate and f-measure values. The results gathered from the testbed show that the ensemble-based methods achieve up to 98.48% accuracy rate for detection of the Byzantine attacks in the sample network while this ratio for the traditional methods is limited to the 96.97%. In large networks with more nodes, the difference among these ratios may increase.
Reliable communication and accurate data collection are crucial tasks in Wireless Sensor Networks (WSNs). Due to the lack of having no central communication infrastructure, WSNs can be exposed to various attacks. One of the common attack types in WSNs is Byzantine attack, in which the attacker can reduce the reliability of the network by adding new nodes to the network area and sending fake data. This study proposes two ensemble-based approaches for detecting the Byzantine attacks in WSNs. The proposed approaches combine three different traditional classification algorithms (Naive Bayes, decision tree (C4.5), and k-NN) with voting and stacking methods. In addition to the proposed methods, the current ensemble learning approaches (C4.5 based Bagging (Bagging(C4.5)) and Boosting (AdaBoost)) and the traditional algorithms (Naive Bayes, C4.5 and k-NN) were applied on a sample network of 66 IRIS nodes (60 normal, 6 malicious) within experimental studies. The classification results obtained from each algorithm were compared according to the accuracy rate and f-measure values. The results gathered from the testbed show that the ensemble-based methods achieve up to 98.48% accuracy rate for detection of the Byzantine attacks in the sample network while this ratio for the traditional methods is limited to the 96.97%. In large networks with more nodes, the difference among these ratios may increase.
