تشخيص نفوذ در اينترنت اشياء با استفاده از شبكه عصبي بازگشتي و بهينه سازي شاهين هريس

اينترنت اشياء مزاياي قابلت وجهي را براي صنايع مختلف به ارمغان آورده است، اما به دليل حجم زياد و پيچيدگي سيستم هاي آن، چالش هاي امنيتي جديدي نيز مطرح شده است. حفاظت از سيستم هاي اينترنت اشياء در برابر حملات توسط سيستم هاي تشخيص نفوذ تضمين ميشود. اخيراً، استراتژي هاي يادگيري ماشين به طور گسترده براي تشخيص نفوذ در سيستم هاي اينترنت اشياء اتخاذ شده اند. با اين حال، نياز به بهبود دارد. در اين مقاله يك رويكرد تركيبي يادگيري عميق و فرا ابتكاري براي افزايش تشخيص نفوذ در سيستم هاي اينترنت اشياء پيشنهاد شده است. الگوريتم بهينه سازي شاهين هريس و شبكه عصبي بازگشتي ميتواند براي افزايش تشخيص نفوذ در اينترنت اشيا استفاده شود. در مدل اين مقاله، انواع مختلف حمالت در سيستم هاي اينترنت اشياء با استفاده از مدل شبكه عصبي بازگشتي شناسايي شده و انتخاب ويژگي ها با استفاده از بهينه سازي شاهين هريس انجام ميشود. براي ارزيابي رويكرد پيشنهادي، از مجموعه داده هاي در دسترس عموم استفاده شد و تحليل تجربي نشان داد كه رويكرد پيشنهادي از نظر دقت و كارايي به خوبي نسبت به ساير روش هاي مرتبط كار ميكند. به طور كلي، كار پيشنهادي يك راه حل اميدوار كننده براي افزايش تشخيص نفوذ در اينترنت اشياء ارائه ميكند.