تعزيز أمان إنترنت الأشياء: نظام كشف التسلل قائم على التعلم الآلي لرصد التهديدات والتصدي لها في الوقت الحقيقي

القسم: Article
إصدار
مجلد 34 عدد 4 (2025): المجلد 34 العدد 4
منشور
Oct 1, 2025
##editor.issues.pages##
45-61

الملخص

يشهد استخدام أجهزة الإنترنت للأشياء (IoT) نموًا سريعًا مما أدى إلى خلق بيئة حيث تكون الأمانات عرضة للعديد من الثغرات، ويتطلب الأمر حلولًا أكثر تطورًا وتكيفًا. لا تستطيع الحلول الأمنية التقليدية تجاوز مشكلة التباين، نقص الموارد، والديناميكية في بيئات الإنترنت للأشياء. يقترح هذا البحث استخدام نظام كشف التسلل (IDS) القائم على التعلم الآلي لتحديد التهديدات الفورية والحد من وجودها في شبكات الإنترنت للأشياء. تم مقارنة نتائج نماذج التعلم الآلي المختلفة، والتي تشمل الانحدار اللوجستي، شجرة القرار، الغابة العشوائية، XGBoost، AdaBoost، Gradient Boosting، Bagging، الجار الأقرب (KNN)، وNaive Bayes استنادًا إلى بعض مؤشرات الأداء الرئيسية مثل الدقة، الدقة الإيجابية، الاسترجاع، مقياس F1، ROC-AUC، وخسارة السجل. تشير نتائجنا إلى أن الخوارزميات التجميعية، وخاصة الغابة العشوائية، شجرة القرار، وBagging، يمكن أن تكون أكثر فاعلية من النماذج الأخرى في اكتشاف عدد كبير من التهديدات مع تقليل الإيجابيات الكاذبة. فقد حققت الغابة العشوائية دقة تصل إلى 99.99%، ودقة إيجابية 99.96%، ومعدل استرجاع 99.96%، وROC-AUC بنسبة 99.99%. في المقابل، كانت نتائج Naive Bayes أسوأ بكثير، حيث أظهرت دقة 74.28%، ودقة إيجابية 23.32%، ومقياس F1 بلغ 37.71%. هذه النتائج تؤكد أن الخوارزميات التجميعية، وخاصة الغابة العشوائية، تعد فعّالة جدًا في كشف التسلل في الوقت الفعلي على أنظمة الإنترنت للأشياء. وتثبت هذه الطريقة أن التعلم التجميعي، الذي يمتلك القدرة على دمج عدة مصنفات، هو حل فعّال لتعزيز أمان أنظمة الإنترنت للأشياء. يسلط هذا البحث الضوء على إمكانية استخدام التعلم الآلي في الدفاع عن الإنترنت للأشياء كحل قابل للتطوير وفعّال في مواجهة التحديات الأمنية المتزايدة في البيئات المتصلة.

المراجع

  1. T. Alam, “A Reliable Communication Framework and Its Use in Internet of Things ( IoT ),” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol., no. May, 2018.
  2. I. Coston, E. Plotnizky, and M. Nojoumian, “Comprehensive Study of IoT Vulnerabilities and Countermeasures,” Appl. Sci., vol. 15, no. 6, 2025, doi: 10.3390/app15063036.
  3. A. Zafar, F. Samad, H. J. Syed, A. O. Ibrahim, M. Alohaly, and M. Elsadig, “An Advanced Strategy for Addressing Heterogeneity in SDN-IoT Networks for Ensuring QoS,” Appl. Sci., vol. 13, no. 13, 2023, doi: 10.3390/app13137856.
  4. L. Tawalbeh, F. Muheidat, M. Tawalbeh, and M. Quwaider, "Applied Sciences IoT Privacy and Security : Challenges and Solutions," Mdpi, pp. 1–17, 2020.
  5. T. Sasi, A. H. Lashkari, R. Lu, P. Xiong, and S. Iqbal, “A comprehensive survey on IoT attacks: Taxonomy, detection mechanisms and challenges,” J. Inf. Intell., vol. 2, no. 6, pp. 455–513, 2023, doi: 10.1016/j.jiixd.2023.12.001.
  6. H. Sebestyen, D. E. Popescu, and R. D. Zmaranda, “A Literature Review on Security in the Internet of Things: Identifying and Analysing Critical Categories,” Computers, vol. 14, no. 2, 2025, doi: 10.3390/computers14020061.
  7. A. Alotaibi, H. Aldawghan, and A. Aljughaiman, “A Review of the Authentication Techniques for Internet of Things Devices in Smart Cities: Opportunities, Challenges, and Future Directions,” Sensors, vol. 25, no. 6, 2025, doi: 10.3390/s25061649.
  8. E. Dritsas and M. Trigka, “A Survey on Cybersecurity in IoT,” Futur. Internet, vol. 17, no. 1, 2025, doi: 10.3390/fi17010030.
  9. I. Coston and E. Plotnizky, “Comprehensive Study of IoT Vulnerabilities and Countermeasures,” Appl. Sci., 2025.
  10. A. Alfahaid, E. Alalwany, A. M. Almars, F. Alharbi, E. Atlam, and I. Mahgoub, “Machine Learning-Based Security Solutions for IoT Networks: A Comprehensive Survey,” Sensors, vol. 25, no. 11, pp. 1–48, 2025, doi: 10.3390/s25113341.
  11. S. I. Amgbara, C. Akwiwu-uzoma, and O. David, “Exploring lightweight machine learning models for personal internet of things ( IOT ) device security Exploring lightweight machine learning models for personal internet of things ( IOT ) device security,” World J. Adv. Res. Rev.., no. November 2024, doi: 10.30574/wjarr 2024.24.2.3449.
  12. A. K. Dinkar and A. Haque, “Enhancing IoT Data Analysis with Machine Learning : A Comprehensive Overview Mejora del análisis de datos IoT con aprendizaje automático : Una visión global,” LatIA, 2024, doi: 10.62486/latia20249.
  13. M. B. Bankó et al., “Advancements in Machine Learning-Based Intrusion Detection in IoT : Research Trends and Challenges,” Algorithms Rev., 2025.
  14. Y. Zhou, G. Cheng, S. Jiang, and M. Dai, “Building an efficient intrusion detection system based on feature selection and ensemble classifier,” Comput. Networks, vol. 174, 2020, doi: 10.1016/j.comnet.2020.107247.
  15. X. Gao, C. Shan, C. Hu, Z. Niu, and Z. Liu, “An Adaptive Ensemble Machine Learning Model for Intrusion Detection,” IEEE Access, vol. 7, pp. 82512–82521, 2019, doi: 10.1109/ACCESS.2019.2923640.
  16. T. Su, H. Sun, J. Zhu, S. Wang, and Y. Li, “BAT: Deep Learning Methods on Network Intrusion Detection Using NSL-KDD Dataset,” IEEE Access, vol. 8, pp. 29575–29585, 2020, doi: 10.1109/ACCESS.2020.2972627.
  17. Y. V. Kumar and K. Kamatchi, "Anomaly-Based Network Intrusion Detection Using Ensemble Machine Learning Technique," en. Int. J. Res. Eng. …, vol. 6, no. 4, pp. 216–220, 2020, [Online]. Available: http://www.ijert.org
  18. S. Rajagopal, P. P. Kundapur, and K. S. Hareesha, “A Stacking Ensemble for Network Intrusion Detection Using Heterogeneous Datasets,” Secur. Commun. Networks, vol. 2020, 2020, doi: 10.1155/2020/4586875.
  19. P. Maniriho, L. J. Mahoro, E. Niyigaba, Z. Bizimana, and T. Ahmad, “Detecting intrusions in computer network traffic with machine learning approaches,” Int. J. Intell. Eng. Syst., vol. 13, no. 3, pp. 433–445, 2020, doi: 10.22266/IJIES2020.0630.39.
  20. R. Qaddoura, A. M. Al-Zoubi, I. Almomani, and H. Faris, "A multi-stage classification approach for IoT intrusion detection based on clustering with oversampling," Appl. Sci., vol. 11, no. 7, 2021, doi: 10.3390/app11073022.
  21. H. Alkahtani and T. H. H. Aldhyani, “Intrusion Detection System to Advance Internet of Things Infrastructure-Based Deep Learning Algorithms,” Complexity, vol. 2021, 2021, doi: 10.1155/2021/5579851.
  22. S. P. K. Gudla, S. K. Bhoi, S. R. Nayak, K. K. Singh, A. Verma, and I. Izonin, "A Deep Intelligent Attack Detection Framework for Fog-Based IoT Systems," Comput. Intell. Neurosci., vol. 2022, p. 6967938, 2022, doi: 10.1155/2022/6967938.
  23. N. Dat-Thinh, H. Xuan-Ninh, and L. Kim-Hung, “MidSiot: A Multistage Intrusion Detection System for Internet of Things,” Wirel. Commun. Mob. Comput., vol. 2022, no. December 2017, 2022, doi: 10.1155/2022/9173291.
  24. P. L. Indrasiri, E. Lee, V. Rupapara, F. Rustam, and I. Ashraf, "Malicious traffic detection in IoT and local networks using stacked ensemble classifier," Comput. Mater. Contin., vol. 71, no. 1, pp. 489–515, 2022, doi: 10.32604/cmc 2022.019636.
  25. K. A. ElDahshan, A. A. A. AlHabshy, and B. I. Hameed, "Meta-Heuristic Optimisation Algorithm-Based Hierarchical Intrusion Detection System," Computers, vol. 11, no. 12, 2022, doi: 10.3390/computers11120170.
  26. N. Thockchom, M. M. Singh, and U. Nandi, “A novel ensemble learning-based model for network intrusion detection,” Complex Intell. Syst., vol. 9, no. 5, pp. 5693–5714, 2023, doi: 10.1007/s40747-023-01013-7.
  27. A. Sohail, B. Ayisha, I. Hameed, M. M. Zafar, and A. Khan, “Deep Neural Networks based Meta-Learning for Network Intrusion Detection,” 2023, [Online]. Available: http://arxiv.org/abs/2302.09394
  28. M. Bhavsar, K. Roy, J. Kelly, and O. Olusola, “Anomaly-based intrusion detection system for IoT application,” Discov. Internet Things, vol. 3, no. 1, 2023, doi: 10.1007/s43926-023-00034-5.
  29. J. Jose and D. V. Jose, "Deep learning algorithms for intrusion detection systems in Internet of Things using CIC-IDS 2017 dataset," Int. J. Electr. Comput. Eng., vol. 13, no. 1, pp. 1134–1141, 2023, doi: 10.11591/ijece.v13i1.pp1134-1141.
  30. A. Almomani et al., “Ensemble-Based Approach for Efficient Intrusion Detection in Network Traffic,” Intell. Autom. Soft Comput., vol. 37, no. 2, pp. 2499–2517, 2023, doi: 10.32604/iasc 2023.039687.
  31. J. Zhu and X. Liu, “An integrated intrusion detection framework based on subspace clustering and ensemble learning,” Comput. Electr. Eng., vol.. 115, no. January, p. 109113, 2024, doi: 10.1016/j.compeleceng.2024.109113.
  32. I. D. Mienye and N. Jere, “A Survey of Decision Trees: Concepts, Algorithms, and Applications,” IEEE Access, vol. 12, pp. 86716–86727, 2024, doi: 10.1109/ACCESS.2024.3416838.
  33. M. Kathiravan, V. Rajasekar, S. J. Parvez, V. Sathya Durga, M. Meenakshi, and S. Gowsalya, “Detecting Phishing Websites using Machine Learning Algorithm,” Proc. - 7th Int. Conf. Comput. Methodol. Commun. ICCMC 2023, pp. 270–275, 2023, doi: 10.1109/ICCMC56507.2023.10083999.
  34. P. Barnard, N. Marchetti, and L. A. DaSilva, “Robust Network Intrusion Detection Through Explainable Artificial Intelligence (XAI),” IEEE Netw. Lett., vol. 4, no. 3, pp. 167–171, 2022, doi: 10.1109/lnet.2022.3186589.
  35. T. Mahmood, S. K. Hashemi, S. L. Mirtaheri, and S. Greco, “Machine Learning Techniques for Detecting Fraud in Credit Card Transactions,” CEUR Workshop Proc., vol. 3478, pp. 469–478, 2023.
  36. M. A. Hambali, Y. K. Saheed, T. O. Oladele, and M. D. Gbolagade, "ADABOOST Ensemble Algorithms for Breast Cancer Classification," J. Adv. Comput. Res., vol. 10, no. 2, pp. 31–52, 2019, [Online]. Available: www.jacr.iausari.ac.ir
  37. H. Kim, S. Park, H. J. Park, H. G. Son, and S. Kim, “Solar Radiation Forecasting Based on the Hybrid CNN-CatBoost Model,” IEEE Access, vol. 11, no. February, pp. 13492–13500, 2023, doi: 10.1109/ACCESS.2023.3243252.
  38. R. Du, L. Zhen, and Y. Liu, “Physical Layer Authentication Based on Integrated Semi-Supervised Learning in Wireless Networks for Dynamic Industrial Scenarios,” IEEE Trans. Veh. Technol., vol. 72, no. 5, pp. 6154–6164, 2023, doi: 10.1109/TVT.2022.3231633.
  39. P. D. Rosero-Montalvo et al., “Sign Language Recognition Based on Intelligent Glove Using Machine Learning Techniques,” 2018 IEEE 3rd Ecuador Tech. Chapters Meet. ETCM 2018, no. December, pp. 1–6, 2018, doi: 10.1109/ETCM.2018.8580268.
  40. A. Karim, M. Shahroz, K. Mustofa, S. B. Belhaouari, and S. R. K. Joga, “Phishing Detection System Through Hybrid Machine Learning Based on URL,” IEEE Access, vol. 11, pp. 36805–36822, 2023, doi: 10.1109/ACCESS.2023.3252366.

##default.groups.name.author##

عمار عادل احمد

قسم علوم الحاسوب، كلية التربية للعلوم الصرفة، جامعة الموصل، الموصل، العراق

المعرفات

https://doi.org/10.33899/jes.v34i4.49257
تنزيل هذا الملف
PDF (English)

الإحصائيات

التنزيلات

بيانات التنزيل غير متوفرة بعد.

كيفية الاقتباس

[1]
احمد A. A. ., "تعزيز أمان إنترنت الأشياء: نظام كشف التسلل قائم على التعلم الآلي لرصد التهديدات والتصدي لها في الوقت الحقيقي ", JES, م 34, عدد 4, ص 45–61, 2025.
##submission.copyrightAndLicensing##
Creative Commons License

هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.