Developing an Energy-Efficient Hybrid Intrusion Detection System for Wireless Sensor Networks
Date
2025-12-20
Authors
Murad Mohammad Fuad Jamal
مراد محمد فؤاد جمل
Journal Title
Journal ISSN
Volume Title
Publisher
Al-Quds Univeersity
Abstract
Wireless Sensor Networks (WSNs) are increasingly employed in various real-life applications, including smart cities, healthcare, and industrial systems; however, their limited computational resources make them more vulnerable to cyberattacks. Intrusion Detection Systems (IDS) that depend on Artificial Intelligence (AI) algorithms, including Deep Learning (DL) and Machine Learning (ML) algorithms, have shown their potential in detecting complex threat patterns. However, their high processing requirements restrict their deployment in WSN environments with constrained resources. This study solves the trade-off between detection accuracy and computational complexity. And it provides an energy-efficient deep learning model for intrusion detection in WSNs, in order to detect the latest cyber threats while maintaining high accuracy and low computational cost. We utilized the quantization optimization method over the Neural Network (NN) model to mitigate energy consumption. The findings of the study showed that the quantized model significantly reduces computational cost and memory usage while preserving good detection performance. The final prediction was made by employing an ensemble approach and combining all three models: DT, SVM, and the quantized NN. The final results showed that the ensemble model achieved an accuracy of 0.9238 with a prediction time of 4.1391 seconds, demonstrating a strong balance between detection effectiveness and computational efficiency. In addition, the ensemble attained high precision (0.9965), recall (0.9232), and F1-score (0.9585), indicating reliable detection of both normal and malicious traffic. Compared with individual models and evaluations on the NSL-KDD dataset, the proposed approach exhibited improved robustness and generalization while maintaining a compact memory footprint suitable for resource-constrained WSN environments.
تُستخدم شبكات الاستشعار اللاسلكية (WSNs) بشكل متزايد في العديد من التطبيقات الواقعية، بما في ذلك المدن الذكية، والرعاية الصحية، والأنظمة الصناعية؛ إلا أن محدودية مواردها الحاسوبية تجعلها أكثر عرضة للهجمات السيبرانية. وقد أظهرت أنظمة كشف التسلل (IDS) المعتمدة على خوارزميات الذكاء الاصطناعي (AI)، بما في ذلك خوارزميات التعلم العميق (DL) والتعلم الآلي (ML)، قدرتها على اكتشاف أنماط التهديدات المعقدة. ومع ذلك، فإن متطلبات المعالجة العالية لهذه الخوارزميات تحدّ من إمكانية نشرها في بيئات شبكات الاستشعار اللاسلكية ذات الموارد المحدودة. تعالج هذه الدراسة المفاضلة بين دقة الكشف والتعقيد الحاسوبي، وتقدم نموذج تعلم عميق موفّرًا للطاقة لكشف التسلل في شبكات الاستشعار اللاسلكية، بهدف اكتشاف أحدث التهديدات السيبرانية مع الحفاظ على دقة عالية وتكلفة حسابية منخفضة. تم استخدام أسلوب تحسين التكميم (Quantization) على نموذج الشبكة العصبية (NN) للحد من استهلاك الطاقة. وأظهرت نتائج الدراسة أن النموذج المكمَّم يقلل بشكل ملحوظ من التكلفة الحاسوبية واستخدام الذاكرة مع الحفاظ على أداء كشف جيد. تم إجراء التنبؤ النهائي باستخدام أسلوب التجميع (Ensemble) من خلال دمج ثلاثة نماذج هي: شجرة القرار (DT)، وآلة المتجهات الداعمة (SVM)، والشبكة العصبية المكمَّمة. وأظهرت النتائج النهائية أن نموذج التجميع حقق دقة بلغت 0.9238 بزمن تنبؤ قدره 4.1391 ثانية، مما يبرز توازنًا قويًا بين فعالية الكشف والكفاءة الحاسوبية. بالإضافة إلى ذلك، حقق نموذج التجميع قيمًا مرتفعة لكل من الدقة (Precision) بمقدار 0.9965، والاستدعاء (Recall) بمقدار 0.9232، ودرجة F1 بمقدار 0.9585، مما يشير إلى كشف موثوق لكل من الحركة الطبيعية والخبيثة. وبالمقارنة مع النماذج الفردية والتقييمات على مجموعة بيانات NSL-KDD، أظهر النهج المقترح متانة وتعميمًا أفضل مع الحفاظ على حجم ذاكرة صغير مناسب لبيئات شبكات الاستشعار اللاسلكية ذات الموارد المحدودة.
تُستخدم شبكات الاستشعار اللاسلكية (WSNs) بشكل متزايد في العديد من التطبيقات الواقعية، بما في ذلك المدن الذكية، والرعاية الصحية، والأنظمة الصناعية؛ إلا أن محدودية مواردها الحاسوبية تجعلها أكثر عرضة للهجمات السيبرانية. وقد أظهرت أنظمة كشف التسلل (IDS) المعتمدة على خوارزميات الذكاء الاصطناعي (AI)، بما في ذلك خوارزميات التعلم العميق (DL) والتعلم الآلي (ML)، قدرتها على اكتشاف أنماط التهديدات المعقدة. ومع ذلك، فإن متطلبات المعالجة العالية لهذه الخوارزميات تحدّ من إمكانية نشرها في بيئات شبكات الاستشعار اللاسلكية ذات الموارد المحدودة. تعالج هذه الدراسة المفاضلة بين دقة الكشف والتعقيد الحاسوبي، وتقدم نموذج تعلم عميق موفّرًا للطاقة لكشف التسلل في شبكات الاستشعار اللاسلكية، بهدف اكتشاف أحدث التهديدات السيبرانية مع الحفاظ على دقة عالية وتكلفة حسابية منخفضة. تم استخدام أسلوب تحسين التكميم (Quantization) على نموذج الشبكة العصبية (NN) للحد من استهلاك الطاقة. وأظهرت نتائج الدراسة أن النموذج المكمَّم يقلل بشكل ملحوظ من التكلفة الحاسوبية واستخدام الذاكرة مع الحفاظ على أداء كشف جيد. تم إجراء التنبؤ النهائي باستخدام أسلوب التجميع (Ensemble) من خلال دمج ثلاثة نماذج هي: شجرة القرار (DT)، وآلة المتجهات الداعمة (SVM)، والشبكة العصبية المكمَّمة. وأظهرت النتائج النهائية أن نموذج التجميع حقق دقة بلغت 0.9238 بزمن تنبؤ قدره 4.1391 ثانية، مما يبرز توازنًا قويًا بين فعالية الكشف والكفاءة الحاسوبية. بالإضافة إلى ذلك، حقق نموذج التجميع قيمًا مرتفعة لكل من الدقة (Precision) بمقدار 0.9965، والاستدعاء (Recall) بمقدار 0.9232، ودرجة F1 بمقدار 0.9585، مما يشير إلى كشف موثوق لكل من الحركة الطبيعية والخبيثة. وبالمقارنة مع النماذج الفردية والتقييمات على مجموعة بيانات NSL-KDD، أظهر النهج المقترح متانة وتعميمًا أفضل مع الحفاظ على حجم ذاكرة صغير مناسب لبيئات شبكات الاستشعار اللاسلكية ذات الموارد المحدودة.