Fuzzy logic-based security risk assessment in wireless sensor networks of Industrial IoT

W ostatnich latach coraz powszechniejsze stało się wdrażanie bezprzewodowych sieci czujników (WSN), niedrogich czujników, chmur przemysłowych oraz robotów przemysłowych. Postępy technologiczne te ułatwiły rozwój technologii Przemysłowego Internetu Rzeczy (IIoT) i sprzyjały pojawieniu się nowych aplikacji cyfrowych. IIoT jest zatem koncepcją technologiczną obejmującą komunikację i interakcję urządzeń mobilnych za pośrednictwem sieci bezprzewodowych. Ze względu na liczne ograniczenia bezprzewodowych sieci czujników jednym z głównych problemów jest bezpieczeństwo. W kontekście połączonych ze sobą inteligentnych urządzeń przejęcie kontroli nad jednym urządzeniem może zagrozić bezpieczeństwu całej sieci. Identyfikację tych słabych punktów można usprawnić poprzez wdrożenie zdalnej diagnostyki urządzeń IIoT. Podczas gdy sztuczna inteligencja (AI) znajduje szerokie zastosowanie w rozwiązywaniu złożonych problemów naukowych, technicznych i praktycznych, niniejsze badanie dotyczy jej wykorzystania w bezprzewodowych sieciach czujników IIoT. Systemy rozmyte, sieci neuronowe i algorytmy genetyczne to trzy przykłady technik sztucznej inteligencji, które są często wykorzystywane w sieciach bezprzewodowych w celu poprawy ich optymalizacji i zarządzania. W niniejszym artykule zaproponowano podejście oparte na logice rozmytej, które umożliwia inteligentną ocenę poziomów ryzyka bezpieczeństwa urządzeń IIoT. W związku z tym opracowano system wnioskowania rozmytego (FIS), który ocenia poziom ryzyka bezpieczeństwa urządzenia IIoT. Ustalono jego parametry, w tym zmienne wejściowe i wyjściowe oraz ich funkcje przynależności. Opracowany system FIS został zoptymalizowany przy użyciu innych technik sztucznej inteligencji. Skuteczność systemu FIS została oceniona za pomocą symulacji komputerowej w programie MATLAB.

Słowa kluczowe:

bezpieczeństwo, WSN, IoT, logika rozmyta

Bibliografia

[1] A. P., H., & K., K. (2019). Secure-MQTT: An efficient fuzzy logic-based approach to detect DoS attack in MQTT protocol for internet of things. EURASIP Journal on Wireless Communications and Networking, 2019(1), 90. https://doi.org/10.1186/s13638-019-1402-8

[2] Al Hayali, S., Ucan, O., Rahebi, J., & Bayat, O. (2019). Detection of Attacks on Wireless Sensor Network Using Genetic Algorithms Based on Fuzzy. International Journal of Renewable Energy Development, 8(1), 57–64. https://doi.org/10.14710/ijred.8.1.57-64

[3] Almseidin, M., Al-Sawwa, J., & Alkasassbeh, M. (2021). Anomaly-based Intrusion Detection System Using Fuzzy Logic. 2021 International Conference on Information Technology (ICIT), 290–295. https://doi.org/10.1109/ICIT52682.2021.9491742

[4] Alqahtani, M., Gumaei, A., Mathkour, H., & Maher Ben Ismail, M. (2019). A Genetic-Based Extreme Gradient Boosting Model for Detecting Intrusions in Wireless Sensor Networks. Sensors, 19(20), 4383. https://doi.org/10.3390/s19204383

[5] Alsirhani, A., Sampalli, S., & Bodorik, P. (2019). DDoS Detection System: Using a Set of Classification Algorithms Controlled by Fuzzy Logic System in Apache Spark. IEEE Transactions on Network and Service Management, 16(3), 936–949. https://doi.org/10.1109/TNSM.2019.2929425

[6] Alsumayt, A., Alshammari, M., Alfawaer, Z. M., Al-Wesabi, F. N., El-Haggar, N., Aljameel, S. S., Albassam, S., AlGhareeb, S., Alghamdi, N. M., & Aldossary, N. (2024). Efficient security level in wireless sensor networks (WSNs) using four-factors authentication over the Internet of Things (IoT). PeerJ Computer Science, 10, e2091. https://doi.org/10.7717/peerj-cs.2091

[7] Arunkumar, M., & Ashok Kumar, K. (2022). Malicious attack detection approach in cloud computing using machine learning techniques. Soft Computing, 26(23), 13097–13107. https://doi.org/10.1007/s00500-021-06679-0

[8] Atlam, H. F., & Wills, G. B. (2019). An efficient security risk estimation technique for Risk-based access control model for IoT. Internet of Things, 6, 100052. https://doi.org/10.1016/j.iot.2019.100052

[9] Bajpai, P., Sood, A. K., & Enbody, R. J. (2018). The art of mapping IoT devices in networks. Network Security, 2018(4), 8–15. https://doi.org/10.1016/S1353-4858(18)30033-3

[10] Devi, R., Jha, R. K., Gupta, A., Jain, S., & Kumar, P. (2017). Implementation of Intrusion Detection System using Adaptive Neuro-Fuzzy Inference System for 5G wireless communication network. AEU – International Journal of Electronics and Communications, 74, 94–106. https://doi.org/10.1016/j.aeue.2017.01.025

[11] Diaz, A., & Sanchez, P. (2016). Simulation of Attacks for Security in Wireless Sensor Network. Sensors, 16(11), 1932. https://doi.org/10.3390/s16111932

[12] Ee, S. J., Tien Ming, J. W., Yap, J. S., Lee, S. C. Y., & Tuz Zahra, F. (2020). Active and Passive Security Attacks in Wireless Networks and Prevention Techniques. https://doi.org/10.36227/techrxiv.12972857

[13] He, Z., Zhang, T., & Lee, R. B. (2017). Machine Learning Based DDoS Attack Detection from Source Side in Cloud. 2017 IEEE 4th International Conference on Cyber Security and Cloud Computing (CSCloud), 114–120. https://doi.org/10.1109/CSCloud.2017.58

[14] Huanan, Z., Suping, X., & Jiannan, W. (2021). Security and application of wireless sensor network. Procedia Computer Science, 183, 486–492. https://doi.org/10.1016/j.procs.2021.02.088

[15] Iyengar, N. Ch. S. N., Banerjee, A., & Ganapathy, G. (2022). A Fuzzy Logic Based Defense Mechanism against Distributed Denial of Services Attack in Cloud Environment. International Journal of Communication Networks and Information Security (IJCNIS), 6(3). https://doi.org/10.17762/ijcnis.v6i3.864

[16] Kaur, R. (2024). Internet of things: An Overview. International Journal For Multidisciplinary Research, 6(2), 14323. https://doi.org/10.36948/ijfmr.2024.v06i02.14323

[17] Khambhammettu, H., Boulares, S., Adi, K., & Logrippo, L. (2013). A framework for risk assessment in access control systems. Computers & Security, 39, 86–103. https://doi.org/10.1016/j.cose.2013.03.010

[18] Kumar, S. A., Vealey, T., & Srivastava, H. (2016). Security in Internet of Things: Challenges, Solutions and Future Directions. 2016 49th Hawaii International Conference on System Sciences (HICSS), 5772–5781. https://doi.org/10.1109/HICSS.2016.714

[19] Ma, T., Wang, F., Cheng, J., Yu, Y., & Chen, X. (2016). A Hybrid Spectral Clustering and Deep Neural Network Ensemble Algorithm for Intrusion Detection in Sensor Networks. Sensors, 16(10), 1701. https://doi.org/10.3390/s16101701

[20] Mittal, M., Kumar, K., & Behal, S. (2023). Deep learning approaches for detecting DDoS attacks: A systematic review. Soft Computing, 27(18), 13039–13075. https://doi.org/10.1007/s00500-021-06608-1

[21] Moradi, M., Moradkhani, M., & Tavakoli, M. B. (2022). A Real-Time Biometric Encryption Scheme Based on Fuzzy Logic for IoT. Journal of Sensors, 2022, 1–15. https://doi.org/10.1155/2022/4336822

[22] Naskar, S. (2023). Wireless Sensor Networks Challenges and Solutions. In J. Sen, M. Yi, F. Niu, & H. Wu (Eds), Wireless Sensor Networks—Design, Applications and Challenges. IntechOpen. https://doi.org/10.5772/intechopen.109238

[23] Nguyen, T. M., Vo, H. H.-P., & Yoo, M. (2024). Enhancing Intrusion Detection in Wireless Sensor Networks Using a GSWO-CatBoost Approach. Sensors, 24(11), 3339. https://doi.org/10.3390/s24113339

[24] Nurse, J. R. C., Creese, S., & De Roure, D. (2017). Security Risk Assessment in Internet of Things Systems. IT Professional, 19(5), 20–26. https://doi.org/10.1109/MITP.2017.3680959

[25] Patel, N. R., & Kumar, S. (2018). Wireless Sensor Networks’ Challenges and Future Prospects. 2018 International Conference on System Modeling & Advancement in Research Trends (SMART), 60–65. https://doi.org/10.1109/SYSMART.2018.8746937

[26] Sathishkumar, P., Gnanabaskaran, A., Saradha, M., & Gopinath, R. (2024). Dos attack detection using fuzzy temporal deep long Short-Term memory algorithm in wireless sensor network. Ain Shams Engineering Journal, 15(12), 103052. https://doi.org/10.1016/j.asej.2024.103052

[27] Sharma, R., Vashisht, V., & Singh, U. (2020). eeTMFO/GA: A secure and energy efficient cluster head selection in wireless sensor networks. Telecommunication Systems, 74(3), 253–268. https://doi.org/10.1007/s11235-020-00654-0

[28] Sharma, S., Yadav, A., Panchal, M., & Vyavahare, P. D. (2019). Classification of Security Attacks in WSNs and Possible Countermeasures: A Survey. 2019 IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS), 1–6. https://doi.org/10.1109/ANTS47819.2019.9118119

[29] Sicari, S., Rizzardi, A., Miorandi, D., & Coen-Porisini, A. (2018). A risk assessment methodology for the Internet of Things. Computer Communications, 129, 67–79. https://doi.org/10.1016/j.comcom.2018.07.024

[30] Sinha, P., Jha, V. K., Rai, A. K., & Bhushan, B. (2017). Security vulnerabilities, attacks and countermeasures in wireless sensor networks at various layers of OSI reference model: A survey. 2017 International Conference on Signal Processing and Communication (ICSPC), 288–293. https://doi.org/10.1109/CSPC.2017.8305855

[31] Tamrakar, A. K., Shukla, A., Kalifullah, A. H., Reegu, F. A., & Shukla, K. (2022). Extended review on internet of things (IoT) and its characterisation. International Journal of Health Sciences, 8490–8500. https://doi.org/10.53730/ijhs.v6nS2.7177

[32] Wang, J., Li, R., Wang, J., Ge, Y., Zhang, Q., & Shi, W. (2020). Artificial intelligence and wireless communications. Frontiers of Information Technology & Electronic Engineering, 21(10), 1413–1425. https://doi.org/10.1631/FITEE.1900527

[33] Wang, J., & Yang, G. (2008). An intelligent method for real-time detection of DDoS attack based on fuzzy logic. Journal of Electronics (China), 25(4), 511–518. https://doi.org/10.1007/s11767-007-0056-6

[34] Yilmaz, S., & Dener, M. (2024). Security with Wireless Sensor Networks in Smart Grids: A Review. Symmetry, 16(10), 1295. https://doi.org/10.3390/sym16101295

[35] Zhang, F., Kodituwakku, H. A. D. E., Hines, J. W., & Coble, J. (2019). Multilayer Data-Driven Cyber-Attack Detection System for Industrial Control Systems Based on Network, System, and Process Data. IEEE Transactions on Industrial Informatics, 15(7), 4362–4369. https://doi.org/10.1109/TII.2019.2891261

[36] Zhang, J. (2022). Network Security Situational Awareness Based on Genetic Algorithm in Wireless Sensor Networks. Journal of Sensors, 2022, 1–11. https://doi.org/10.1155/2022/8292920

[37] Zhang, Y., Li, P., & Wang, X. (2019). Intrusion Detection for IoT Based on Improved Genetic Algorithm and Deep Belief Network. IEEE Access, 7, 31711–31722. https://doi.org/10.1109/ACCESS.2019.2903723

Ocena ryzyka bezpieczeństwa w oparciu o logikę rozmytą w bezprzewodowych sieciach czujnikowych przemysłowego IoT. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(2), 76-83. https://doi.org/10.35784/iapgos.8133

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 16 Nr 2 (2026)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja