HỆ THỐNG PHÁT HIỆN XÂM NHẬP LAI HAI TẦNG CHO MẠNG IoT/MQTT DỰA TRÊN ENSEMBLE HỌC MÁY VÀ HỆ SUY DIỄN MỜ
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15899Tóm tắt
Bài báo đề xuất một hệ thống phát hiện xâm nhập lai hai tầng cho mạng IoT sử dụng giao thức MQTT. Tầng 1 áp dụng mô hình Ensemble Stacking kết hợp Multi-Layer Perceptron (MLP), Random Forest và eXtreme Gradient Boosting (XGBoost), trong đó Logistic Regression đóng vai trò meta-learner. Tầng 2 sử dụng Hệ suy diễn mờ (Fuzzy Inference System – FIS) để xem xét lại có chọn lọc các mẫu được dự đoán là hợp lệ nhưng độ tin cậy chưa cao. Thực nghiệm trên bộ dữ liệu MQTTEEB-D (chia 60/20/20, SMOTE chỉ áp dụng cho tập huấn luyện) cho thấy mô hình Ensemble cơ sở đạt F1-Weighted, F1-Macro, Legit-F1 và Macro AP lần lượt là 0,9450, 0,9152, 0,6866 và 0,9497. Mô hình lai Ensemble-FIS cải thiện các chỉ số này lần lượt là 0,9465, 0,9174, 0,6888 và 0,9478, đồng thời khôi phục 193 mẫu bruteforce bị phân loại nhầm, nâng Recall lớp này từ 89% lên 92%. Bài báo sử dụng phân tích Precision–Recall thay cho ROC để phù hợp với bối cảnh dữ liệu mất cân bằng. Phương pháp đề xuất nâng cao hiệu quả phát hiện xâm nhập trong mạng IoT/MQTT, đồng thời đảm bảo tính diễn giải nhờ hệ luật Mamdani.Lượt tải
Tài liệu tham khảo
OASIS, “MQTT Version 5.0 OASIS Standard,” OASIS Open, 7 March 2019. [Online]. Available: https://docs.oasis-open.org/mqtt/mqtt/v5.0/mqtt-v5.0.html. [Accessed May 24, 2026].
ISO/IEC, “Information technology — Message Queuing Telemetry Transport (MQTT) v3.1.1,” International Standard ISO/IEC 20922:2016, 2016.
Y. Kombate, P. Houngue, and O. Samuel, “Securing MQTT: Unveiling vulnerabilities and innovating cyber range solutions,” Procedia Computer Science, vol. 241, pp. 69-76, 2024, doi: 10.1016/j.procs.2024.08.012.
A. Aqachtoul et al., “MQTTEEB-D: A real-world IoT cybersecurity dataset for AI-powered threat detection in MQTT networks,” Data in Brief, vol. 62, 2025, doi: 10.1016/j.dib.2025.111897.
I. Vaccari, M. Aiello, and E. Cambiaso, “SlowITe, a novel denial of service attack affecting MQTT,” Sensors, vol. 20, no. 10, 2020, doi: 10.3390/s20102932.
A. Abdelkhalek and M. Mashaly, “Addressing the class imbalance problem in network intrusion detection systems using data resampling and deep learning,” The Journal of Supercomputing, vol. 79, no. 10, pp. 10611-10641, 2023, doi: 10.1007/s11227-023-05073-x.
H. Ren, Y. Tang, W. Dong, S. Ren, and L. Jiang, “DUEN: Dynamic ensemble handling class imbalance in network intrusion detection,” Expert Systems with Applications, vol. 229, 2023, doi: 10.1016/j.eswa.2023.120420.
T. Saito and M. Rehmsmeier, “The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets,” PLoS ONE, vol. 10, no. 3, 2015, doi: 10.1371/journal.pone.0118432.
L. Fischer and P. Wollstadt, “Precision and recall reject curves for classification,” arXiv preprint arXiv:2308.08381, 2023, doi: 10.48550/arXiv.2308.08381.
A. M. Banaamah and I. Ahmad, “Intrusion detection in IoT using deep learning,” Sensors, vol. 22, no. 21, 2022, doi: 10.3390/s22218417.
P. Sinha, D. Sahu, S. Prakash, T. Yang, R. S. Rathore, and V. K. Pandey, “A high performance hybrid LSTM CNN secure architecture for IoT environments using deep learning,” Scientific Reports, vol. 15, 2025, doi: 10.1038/s41598-025-94500-5.
H. Hindy, E. Bayne, M. Bures, R. Atkinson, C. Tachtatzis, and X. Bellekens, “Machine learning based IoT intrusion detection system: An MQTT case study (MQTT-IoT-IDS2020 dataset),” arXiv preprint arXiv:2006.15340v3, Nov. 2020.
M. A. Khan, M. A. Khan, S. U. Jan, J. Ahmad, S. S. Jamal, A. A. Shah, N. Pitropakis, and W. J. Buchanan, “A deep learning-based intrusion detection system for MQTT enabled IoT,” Sensors, vol. 21, no. 21, 2021, doi: 10.3390/s21217016.
A. Almotairi, S. Atawneh, O. A. Khashan, and N. M. Khafajah, “Enhancing intrusion detection in IoT networks using machine learning-based feature selection and ensemble models,” Systems Science & Control Engineering, vol. 12, no. 1, 2024, doi: 10.1080/21642583.2024.2321381.
D. H. Wolpert, “Stacked generalization,” Neural Networks, vol. 5, no. 2, pp. 241-259, 1992, doi: 10.1016/S0893-6080(05)80023-1.
X. Qiu, L. Shi, and P. Fan, “A cooperative intrusion detection system for internet of things using fuzzy logic and ensemble of convolutional neural networks,” Scientific Reports, vol. 15, 2025, doi: 10.1038/s41598-025-99938-1.
M. Almseidin, J. Al-Sawwa, M. Alkasassbeh, and M. Alweshah, “On detecting distributed denial of service attacks using fuzzy inference system,” Cluster Computing, vol. 26, no. 2, pp. 1337-1351, 2023, doi: 10.1007/s10586-022-03657-5.
S. S. Pandi, R. D. R. Ramani, A. Senthilselvi, S. Dhanasekaran, B. Kalpana, and N. A. Balaji, “Advancing IoT security with FLAME: A hybrid approach combining fuzzy logic and artificial lizard search optimization,” Computers & Security, vol. 145, 2024, doi: 10.1016/j.cose.2024.103984.
A. H. Abu Saq, A. Zainal, B. A. S. Al-Rimy, A. Alyami, and H. A. Abosaq, “Intrusion detection in IoT using Gaussian fuzzy mutual information-based feature selection,” Engineering, Technology & Applied Science Research, vol. 14, no. 6, pp. 17564-17571, 2024, doi: 10.48084/etasr.8268.
L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5-32, 2001, doi: 10.1023/A:1010933404324.
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785-794, doi: 10.1145/2939672.2939785.
E. H. Mamdani, “Application of fuzzy logic to approximate reasoning using linguistic synthesis,” IEEE Transactions on Computers, vol. C-26, no. 12, pp. 1182-1191, 1977, doi: 10.1109/TC.1977.1674779.
L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338-353, 1965, doi: 10.1016/S0019-9958(65)90241-X.
G. Lemaître, F. Nogueira, and C. K. Aridas, “Imbalanced-learn: A Python Toolbox to Tackle the Curse of Imbalanced Datasets in Machine Learning,” J. Mach. Learn. Res., vol. 18, no. 17, pp. 1-5, 2017, doi: 10.5555/3122009.3122026.
F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res., vol. 12, pp. 2825-2830, 2011, doi: 10.5555/1953048.2078195.
H. Allaga, M. Biniz, and A. Farchane, “MQTTEEB-D: A high-fidelity benchmark for real-time MQTT anomaly detection using machine learning techniques,” Ad Hoc Networks, vol. 181, 2026, Art. no. 104062, doi: 10.1016/j.adhoc.2025.104062.
K. Karam, A. Aqachtoul, A. Elamrani, M. Najib, N. Rafalia, I. Moumen, J. Abouchabaka, and M. Bakhouya, “ISAAF: an IoT security and attack prevention framework using AI-driven predictive analytics,” Scientific Reports, vol. 15, 2025, Art. no. 44913, doi: 10.1038/s41598-025-28516-2.
A. K. Alhossainy and M. Malekzadeh, “AI Powered Threat Detection Framework for Security Enhancement of MQTT based IoT Networks,” International Transactions on Electrical Engineering and Computer Science, vol. 5, no. 1, 2026, doi: 10.62760/iteecs.5.1.2026.171.
