یک سامانه تشخیص نفوذ ترکیبی برای شبکههای اینترنت اشیای مبتنی بر RPL با بهرهگیری از مدلهای درخت تصمیم و CNN-BiLSTM
محورهای موضوعی : فناوری اطلاعات و ارتباطاتمحمد فاضلی 1 * , محسن راجی 2 , محمد مجتبی فاضلی 3
1 - دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، ایران
2 - دانشگاه شیراز
3 - دانشگاه آزاد اسلامی واحد سپیدان
کلید واژه: تشخیص نفوذ, اینترنت اشیاء (IoT), امنیت اینترنت اشیاء, مدل سبک وزن تشخیص نفوذ, معماری امنیتی لایهای. ,
چکیده مقاله :
پروتکل مسیریابی برای شبکههای کممصرف و پراتلاف (RPL:Routing Protocol for Low-Power and Lossy Networks) بهعنوان استانداردی رایج در مسیریابی شبکههای اینترنت اشیاء شناخته شده و به طور گسترده ای در این شبکهها استفاده میشود. با این حال، آسیبپذیری این پروتکل در برابر حملات سایبری، تهدیدی جدی محسوب میشود. روشهای سنتی تشخیص نفوذ، به دلیل پیچیدگی محاسباتی و مصرف بالای منابع، دستگاههای اینترنت اشیاء مناسب نیستند. در این پژوهش، یک سامانه تشخیص نفوذ دو لایهای سبکوزن برای شناسایی و طبقهبندی حملات در شبکههای اینترنت اشیاء مبتنی بر RPL ارائه شده است. در لایه اول، از یک مدل درخت تصمیم برای شناسایی وقوع حمله استفاده میشود که ضمن سرعت بالا، نیاز به منابع محاسباتی اندکی دارد. در لایه دوم، برای طبقهبندی دقیق نوع حمله، از ترکیبی از شبکه عصبی کانولوشنی و حافظه بلند-کوتاهمدت دوطرفه (CNN-BiLSTM) بهره گرفته شده است. این ترکیب، توانایی استخراج خودکار ویژگیهای عمیق از دادههای ترافیک شبکه و یادگیری وابستگیهای زمانی و الگوهای پیچیده حملات را دارد.نتایج آزمایشها بر روی مجموعه داده ROUT-4-20223 با چهار حمله متداول RPL شامل سیاهچاله، سیلآسا، شمارهنسخه و کاهشرتبه نشان میدهد که روش پیشنهادی با صحت کلی 97% و مقادیر دقت، بازخوانی و امتیاز F1 حدود 96%، عملکرد بهتری نسبت به روشهای 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 محیطهای اینترنت اشیاء مبتنی بر RPL نشان میدهد.
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.
[1] A. Al-Fuqaha, M. Guizani, M. Mohammadi, M. Aledhari, and M. Ayyash, “Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications,” IEEE Communications Surveys & Tutorials, vol. 17, no. 4, pp. 2347–2376, 2015.
[2] Alfriehat N., Anbar M., Aladaileh M., Hasbullah I., et al., “RPL based attack detection approaches in IoT networks: review and taxonomy,” Artificial Intelligence Review, vol. 57, art. 248, Aug. 2024
[3] T. Winter et al., RPL: IPv6 Routing Protocol for Low-Power and Lossy Networks, RFC 6550, IETF, 2012
[4] M. Emeç and M. H. Özcanhan, “ROUT-4-2023: RPL based routing attack dataset for IoT,” IEEE Dataport, doi: 10.21227/3mbe-5j70, 2023.
[5] K. O. A. Alimi, K. Ouahada, A. M. M. Abu-Mahfouz, S. Rimer, and O. A. Alimi, “Refined LSTM Based Intrusion Detection for Denial-of-Service Attack in Internet of Things,” Journal of Sensor and Actuator Networks (JSAN), vol. 11, no. 3, article 32, July 2022. DOI: 10.3390/jsan11030032
[6] Abdelouahid Derhab, Arwa Aldweesh, Ahmed Z Emam, and Farrukh Aslam Khan. 2020. Intrusion detection system for internet of things based on temporal convolution neural network and efficient feature engineering. Wireless Communications and Mobile Computing 2020 (2020), 1–16.
[7] Mohamed Abdel-Basset, Hossam Hawash, Ripon K Chakrabortty, and Michael J Ryan. 2021. Semi-supervised spatiotemporal deep learning for intrusions detection in IoT networks. IEEE Internet of Things Journal 8, 15 (2021), 12251–12265.
[8] Y. Guan, M. Noferesti, and N. Ezzati-Jivan, “CNN-BiLSTM-Based Classification of RPL Attacks in IoT Smart Grid Networks (Industry Track),” in Proc. ACM/IFIP/USENIX Middleware Conf., Bologna, Italy, Dec. 2023
[9] A. Etheridge and V. Anu, RPL Attack Detection in IoT Environments: An Ensemble Approach, in Proc. IEMTRONICS 2024 – International IoT, Electronics and Mechatronics Conference, Lecture Notes in Electrical Engineering, vol. 1228, Springer, 2025, pp. 113–122
[10] M. Osman, J. He, N. Zhu, and F. M. M. Mokbal, “An ensemble learning framework for the detection of RPL attacks in IoT networks based on the genetic feature selection approach,” Ad Hoc Netw., vol. 152, 103331, Oct. 2023
[11] Mustafa Qahatan Alsudani, Salah H. Abbdal Reflish, Kohbalan Moorthy, and Myasar Mundher Adnan. 2023. A new hybrid teaching learning based Optimization -Extreme learning Machine model based Intrusion-Detection system. Materials Today: Proceedings 80 (2023),
[12] A. Chougule, R. Mane, K. Bhattacharjee, and S. Mehta, “Ensemble Learning Based Intrusion Detection System for RPL-Based IoT Networks,” in Demystifying AI and ML for Cyber-Threat Intelligence, A. Chougule and R. Mane, Eds. Cham: Springer, 2025, pp. 27–37, doi: 10.1007/978-3-031-90723-4_3.