الملخص

أدى الارتفاع السريع في أجهزة إنترنت الأشياء (IoT) إلى ظهور تحديات أمنية كبيرة، مما يتطلب تطوير أنظمة فعالة لكشف التطفل (IDS) لحماية الشبكات من الهجمات الضارة. تقدم هذه الدراسة تحليلاً مقارنًا لخمس خوارزميات للتعلم الآلي (ML) (الغابة العشوائية (RF)، وأقرب جيران K (KNN)، وخوارزمية بايز الساذجة (NB)، وخوارزمية XGBoost، وآلة دعم المتجهات (SVM)) للكشف عن التطفل في إنترنت الأشياء باستخدام مجموعة بيانات NSL-KDD. يتم استخدام تحليل التمييز الخطي (LDA) كتقنية لاستخراج الميزات لتحسين أداء النموذج من خلال تقليل أبعاد البيانات مع الاحتفاظ بالمعلومات الهامة. يتم استخدام ثلاثة سيناريوهات لتحليل التمييز الخطي مع 2 و3 و4 ميزات مستخرجة لمقارنة خوارزميات التعلم الآلي المذكورة باستخدام مقاييس الأداء مثل الدقة والدقة والاستدعاء ودرجة F1 ووقت التنفيذ. تظهر النتائج أن RF حقق أعلى دقة (98.76٪) مع أوقات تنفيذ أعلى قليلاً مما يجعله مثاليًا للتطبيقات التي تعطي الأولوية للدقة. أظهرت KNN وXGBoost توازنًا بين الدقة العالية والكفاءة الحسابية، مع أوقات تنفيذ مناسبة لتطبيقات إنترنت الأشياء في الوقت الفعلي، حيث حققت KNN أقصر وقت تنفيذ. تسلط النتائج أيضًا الضوء على أهمية اختيار خوارزميات التعلم الآلي بناءً على المقايضات بين الدقة والكفاءة لاكتشاف اقتحام إنترنت الأشياء.