مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 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 fa محمد فاضلی دانشگاه شیراز محسن راجی Shiraz University محمد مجتبی فاضلی دانشگاه آزاد اسلامی واحد سپیدان 2026 1 19 <p class="MuiBox-root muirtl-1h6arhd" style="direction: ltr;">The Routing Protocol for Low-Power and Lossy Networks (RPL) is a widely adopted standard in Internet of Things (IoT) networks, enabling efficient and stable communication. However, its vulnerability to cyberattacks poses a significant threat. Traditional intrusion detection methods, although 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 detect attacks, offering accurate and rapid detection with minimal computational resources. The second layer utilizes a hybrid Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) model to classify attack types. This combination enables automatic extraction of deep features from network traffic data and learning of temporal dependencies and complex attack patterns. 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% and precision, recall, and F1-scores of approximately 96%. The attack detection time is significantly reduced to 0.062 seconds. These findings confirm the efficacy and high speed of the proposed system in RPL-based IoT environments, making it a suitable solution for securing resource-constrained IoT networks.</p> <div class="MuiBox-root muirtl-17kqn4"> <p class="MuiBox-root muirtl-1q3xca">پروتکل مسیریابی برای شبکه&zwnj;های کم&zwnj;مصرف و پراتلاف (RPL) به &zwnj;عنوان یک پروتکل استاندارد شده در مسیریابی شبکه&zwnj;های اینترنت اشیاء شناخته شده و به طور گسترده ای در این شبکه&rlm;ها استفاده می شود. اما این پروتکل در برابر حملات سایبری آسیب&zwnj;پذیر است. روش&zwnj;های سنتی تشخیص نفوذ، به دلیل پیچیدگی محاسباتی و مصرف بالای منابع، برای شبکه&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 ارائه شده است. در لایه اول، از یک مدل درخت تصمیم برای تشخیص وقوع حمله استفاده می&zwnj;شود. این مدل، عملکردی دقیق و سریع دارد و نیاز به منابع محاسباتی زیادی ندارد. 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) استفاده می&zwnj;شود. 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 مجموعه داده ROUT-4-2023 با چهار نوع چهار نوع حمله متداول RPL ازجمله 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 کاهش 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> </div> <p><a href="#_ftnref1" name="_ftn1"></a></p>

http://jour.aicti.ir/en/Article/Download/52801