مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 18 68 2026 4 19 A Hybrid Intrusion Detection System for RPL-Based IoT Networks Using Decision Tree and CNN-BiLSTM Models یک سامانه تشخیص نفوذ ترکیبی برای شبکه‌های اینترنت اشیای مبتنی بر RPL با بهره‌گیری از مدل‌های درخت تصمیم و CNN-BiLSTM 115 129 fa محمد فاضلی دانشگاه شیراز محسن راجی Shiraz University محمد مجتبی فاضلی دانشگاه آزاد اسلامی واحد سپیدان 2026 1 19 <p style="direction: ltr;">The Routing Protocol for Low-Power and Lossy Networks (RPL) is a widely adopted standard in Internet of Things (IoT) environments, enabling efficient and stable communication. However, its susceptibility to cyberattacks poses a significant threat. Traditional intrusion detection methods, while effective, are computationally complex and resource-intensive, rendering them unsuitable for resource-constrained IoT devices. This paper presents a lightweight, two-layer intrusion detection system (IDS) for RPL-based IoT networks. The first layer employs a decision tree model to identify potential threats, offering rapid analysis with minimal computational overhead. The second layer utilizes a hybrid Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) model to classify attack types. This combination facilitates the automatic extraction of deep features from network traffic data and the learning of complex temporal dependencies. Experimental results on the ROUT-4-2023 dataset, comprising four common RPL attacks (Blackhole, Flooding, Version Number, and Rank Attacks), demonstrate the proposed method's superior performance, achieving an overall accuracy of 97% with precision, recall, and F1-scores of approximately 96%. The proposed system achieves an attack detection time of 0.062 seconds. These findings confirm the efficacy and high speed of our approach, establishing it as a suitable solution for securing resource-constrained IoT networks.</p> <p>پروتکل مسیریابی برای شبکه&zwnj;های کم&zwnj;مصرف و پراتلاف (RPL:Routing Protocol for Low-Power and Lossy Networks) به&zwnj;عنوان استانداردی رایج در مسیریابی شبکه&zwnj;های اینترنت اشیاء شناخته شده و به طور گسترده ای در این شبکه&rlm;ها استفاده می&zwnj;شود. با این حال، آسیب&zwnj;پذیری این پروتکل در برابر حملات سایبری، تهدیدی جدی محسوب می&zwnj;شود. روش&zwnj;های سنتی تشخیص نفوذ، به دلیل پیچیدگی محاسباتی و مصرف بالای منابع، دستگاه&zwnj;های اینترنت اشیاء مناسب نیستند. در این پژوهش، یک سامانه تشخیص نفوذ دو لایه&zwnj;ای سبک&zwnj;وزن برای شناسایی و طبقه&zwnj;بندی حملات در شبکه&zwnj;های اینترنت اشیاء مبتنی بر RPL &nbsp;ارائه شده است. در لایه اول، از یک مدل درخت تصمیم برای شناسایی وقوع حمله استفاده می&zwnj;شود که ضمن سرعت بالا، نیاز به منابع محاسباتی اندکی دارد. در لایه دوم، برای طبقه&zwnj;بندی دقیق نوع حمله، از ترکیبی از شبکه عصبی کانولوشنی و حافظه بلند-کوتاه&zwnj;مدت دوطرفه (CNN-BiLSTM) بهره گرفته شده است. این ترکیب، توانایی استخراج خودکار ویژگی&zwnj;های عمیق از داده&zwnj;های ترافیک شبکه و یادگیری وابستگی&zwnj;های زمانی و الگوهای پیچیده حملات را دارد.نتایج آزمایش&zwnj;ها بر روی&nbsp;مجموعه داده ROUT-4-20223 با چهار حمله متداول RPL شامل سیاه&zwnj;چاله، سیل&zwnj;آسا، شماره&zwnj;نسخه و کاهش&zwnj;رتبه نشان می&zwnj;دهد که روش پیشنهادی با صحت کلی 97% و مقادیر دقت، بازخوانی و امتیاز F1 حدود 96%، عملکرد بهتری نسبت به روش&zwnj;های موجود دارد. زمان شناسایی حمله نیز به حدود 0.062 ثانیه دست یافته است. نتایج به دست آمده، کارایی مناسب و سرعت بالای سامانه پیشنهادی را در محیط&zwnj;های اینترنت اشیاء مبتنی بر RPL نشان می&zwnj;دهد.</p> http://jour.aicti.ir/ar/Article/Download/52801