SHAP based Hybrid Intrusion Detection Scheme Using ADASYN, Filter Method, and Ensemble Learning for IoT and Computer Network

आधुनिक दुनिया में, हमारे डिजिटल जीवन को कनेक्शनों के एक विशाल, अदृश्य जाल द्वारा आपस में बुना गया है। हमारे घरों में स्मार्ट थर्मोस्टेट से लेकर कारखानों के फर्श पर औद्योगिक रोबोटों तक, अरबों उपकरण लगातार एक-दूसरे से बात करते हैं। यह परस्पर जुड़ाव, जिसे अक्सर 'इंटरनेट ऑफ थिंग्स' कहा जाता है, अविश्वसनीय सुविधा और दक्षता लेकर आया है, लेकिन इसने नई तरह की समस्याओं के द्वार भी खोल दिए हैं। जिस तरह एक भौतिक शहर को अपराध पर नज़र रखने के लिए पुलिस की आवश्यकता होती है, उसी तरह इन डिजिटल नेटवर्क को भी नुकसान पहुँचाने से पहले दुर्भावनापूर्ण गतिविधि का पता लगाने के लिए एक निरंतर, सतर्क गार्ड की आवश्यकता होती है। वर्षों से, सुरक्षा विशेषज्ञ इस ट्रैफ़िक पर नज़र रखने के लिए स्वचालित प्रणालियों पर भरोसा करते आए हैं, लेकिन ये प्रणालियाँ अक्सर एक 'ब्लैक बॉक्स' की तरह काम करती हैं: वे अलार्म बजाने का निर्णय तो लेती हैं, लेकिन यह नहीं बता पातीं कि उन्होंने ऐसा क्यों किया। पारदर्शिता की इस कमी के कारण मानव ऑपरेटरों के लिए सिस्टम पर भरोसा करना या खतरे की प्रकृति को समझना कठिन हो जाता है। इसके अलावा, ये नेटवर्क शायद ही कभी पूर्ण होते हैं; इनमें अक्सर वास्तविक हमलों की तुलना में सामान्य, सुरक्षित गतिविधियों के बहुत अधिक उदाहरण होते हैं, जो स्वचालित गार्डों को भ्रमित कर सकते हैं और उन्हें उन खतरों को पकड़ने से रोक सकते हैं जिन्हें पकड़ने के लिए उन्हें बनाया गया है।

राष्ट्रीय प्रौद्योगिकी संस्थान पटना के शोधकर्ताओं की एक टीम ने इन सुरक्षा गार्डों को बनाने का एक नया तरीका प्रस्तावित किया है, जो उच्च गति वाली मशीन लर्निंग को मानवीय तर्क के साथ जोड़ता है। उनका कार्य एक ऐसी प्रणाली बनाने पर केंद्रित है जो न केवल उच्च सटीकता के साथ घुसपैठ का पता लगाती है, बल्कि अपने तर्क को इस तरह समझाती भी है जिसे मनुष्य समझ सकें। उन्होंने शुरुआत असंतुलित डेटा की समस्या को हल करने से की। वास्तविक दुनिया में, सामान्य ट्रैफ़िक की तुलना में हमले दुर्लभ होते हैं, ठीक वैसे ही जैसे हज़ारों असली नोटों के ढेर में एक नकली नोट ढूँढना। अपने सिस्टम को प्रभावी ढंग से प्रशिक्षित करने के लिए, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो इन दुर्लभ हमलों के कृत्रिम उदाहरण बनाती है, जो अनिवार्य रूप से वास्तविक अभ्यास परिदृश्य उत्पन्न करके सिस्टम को यह सिखाती है कि खतरा कैसा दिखता है। यह सुनिश्चित करता है कि सिस्टम खतरनाक घटनाओं के अल्पसंख्यक वर्ग (माइनॉरिटी क्लास) को केवल इसलिए अनदेखा न कर दे क्योंकि वे संख्या में कम हैं।

एक बार जब डेटा संतुलित हो गया, तो टीम के सामने बहुत अधिक जानकारी की चुनौती आई। नेटवर्क ट्रैफ़िक विवरणों की एक विशाल संख्या उत्पन्न करता है, जिनमें से कई अनावश्यक या अप्रासंगिक होते हैं। शोर को कम करने के लिए, उन्होंने एक फ़िल्टरिंग प्रक्रिया लागू की जिसने सबसे महत्वपूर्ण संकेतों की पहचान की और बाकी को हटा दिया। गति और दक्षता के लिए यह चरण महत्वपूर्ण है, जिससे सिस्टम केवल उन्हीं विशेषताओं पर ध्यान केंद्रित कर पाता है जो वास्तव में मायने रखती हैं। इसके बाद उन्होंने 'एन्सेम्बल लर्निंग' नामक पद्धति का उपयोग करके सिस्टम को प्रशिक्षित किया। एक एकल एल्गोरिदम पर निर्णय लेने के लिए निर्भर रहने के बजाय, उन्होंने कई अलग-अलग मॉडलों के निर्णयों को संयोजित किया। कल्पना कीजिए कि विशेषज्ञों का एक पैनल है जहाँ प्रत्येक सदस्य के पास समस्या को देखने का थोड़ा अलग तरीका है; एक साथ मतदान करके, वे एक ऐसा निष्कर्ष पर पहुँचते हैं जो किसी भी अकेले विशेषज्ञ की तुलना में अधिक मजबूत और विश्वसनीय होता है। यह दृष्टिकोण सिस्टम को बहुत कठोर होने या डेटा में होने वाले यादृच्छिक उतार-चढ़ाव से आसानी से विचलित होने के सामान्य दोषों से बचने में मदद करता है।

हालाँकि, इस कार्य का सबसे महत्वपूर्ण नवाचार एक 'एक्सप्लेनेशन लेयर' (व्याख्या परत) का जोड़ना है। शोधकर्ताओं ने एक ऐसे टूल को एकीकृत किया जो अंतिम निर्णय को तोड़ता है, और दिखाता है कि किस विशिष्ट जानकारी ने अलार्म की ओर झुकाव बढ़ाया। यह सिस्टम को एक रहस्यमयी भविष्यवक्ता से बदलकर एक पारदर्शी साथी में परिवर्तित कर देता है। जब सिस्टम किसी संभावित उल्लंघन को चिह्नित करता है, तो वह विशिष्ट कारकों की ओर संकेत कर सकता है, जैसे कि डेटा पैकेटों का असामान्य पैटर्न या एक अजीब समय अनुक्रम, जिससे मानव ऑपरेटर खतरे की तेज़ी से पुष्टि कर सके। टीम ने अपने दृष्टिकोण का परीक्षण दो प्रमुख डेटासेट पर किया: एक जो मानक कंप्यूटर नेटवर्क ट्रैफ़िक का प्रतिनिधित्व करता है और दूसरा जो एक सामान्य संचार प्रोटोकॉल का उपयोग करके विशेष रूप से IoT उपकरणों के लिए डिज़ाइन किया गया है। परिणाम आश्चर्यजनक थे। सिस्टम ने मानक नेटवर्क डेटा पर लगभग 99 प्रतिशत की सटीकता दर हासिल की और IoT डेटा पर 98 प्रतिशत से अधिक की। इससे भी महत्वपूर्ण बात यह है कि इसने न्यूनतम गलत अलार्म रखते हुए वास्तविक हमलों के विशाल बहुमत की सफलतापूर्वक पहचान की।

शोधकर्ताओं ने मौजूदा सुरक्षा मॉडलों के विरुद्ध भी अपने तरीके की तुलना की और पाया कि उनका हाइब्रिड दृष्टिकोण लगातार उनसे बेहतर प्रदर्शन करता है। उन्होंने प्रदर्शित किया कि डेटा संतुलन, सावधानीपूर्वक फीचर चयन और कई वोटिंग मॉडलों को जोड़ना, इनमें से किसी भी तकनीक का अकेले उपयोग करने की तुलना में एक मजबूत रक्षा प्रदान करता है। शायद सबसे महत्वपूर्ण बात यह है कि उन्होंने दिखाया कि सिस्टम के निर्णय न केवल सांख्यिकीय रूप से सुदृढ़ हैं, बल्कि व्याख्या योग्य भी हैं। विभिन्न डेटा बिंदुओं को महत्व मान (इंपॉर्टेंस वैल्यू) देने वाली विधि का उपयोग करके, उन्होंने सिद्ध किया कि सिस्टम यादृच्छिक अनुमान लगाने के बजाय तार्किक, पहचानने योग्य पैटर्न के आधार पर निर्णय ले रहा है। यह कार्य सुझाव देता है कि नेटवर्क सुरक्षा का भविष्य केवल तेज़ या अधिक जटिल एल्गोरिदम बनाने में नहीं है, बल्कि ऐसी प्रणालियाँ बनाने में है जो मनुष्यों के साथ सहयोग कर सकें, अपने कार्यों के लिए स्पष्ट कारण दे सकें और फीडबैक लूप के माध्यम से नए खतरों के अनुकूल हो सकें। जैसे-जैसे हम एक ऐसे युग में प्रवेश कर रहे हैं जहाँ मनुष्य और मशीनें साथ मिलकर काम करती हैं, एक ऐसा सुरक्षा तंत्र होना जो शक्तिशाली और समझने योग्य दोनों हो, केवल एक तकनीकी प्राथमिकता नहीं है; यह एक लचीली डिजिटल दुनिया के निर्माण के लिए एक आवश्यकता है।