بهبود تشخيص نفوذ به شبكه اينترنت اشياء با استفاده از يادگيري عميق و الگوريتم بهينه‌سازي ميگوي آشوبي

اينترنت اشياء، يك فناوري جديد است كه اين فناوري از طريق اينترنت با اشياء پيرامون خود ارتباط برقرار مي‌كند و باهدف سنجش و كنترل از راه دور استفاده مي‌گردد. در زمينه امنيت شبكه اينترنت اشياء (IoT)، شناسايي دقيق انواع حملات به اين شبكه‌ها كه توسط ميزبان‌هاي زامبي تحت كنترل مهاجم راه‌اندازي مي‌شوند، اهميت زيادي دارد. براي كاهش اين تهديدات، به روش‌هاي جديدي نياز است تا حملاتي كه دستگاه‌هاي IoT را به خطر انداخته است، در كم‌ترين زمان ممكن شناسايي و از زيان‌هاي ناشي از حملات جلوگيري كنند. در اين مقاله، يك شبكه عصبي جديد جهت بهبود تشخيص نفوذ به شبكه اينترنت اشياء بر اساس شبكه عصبي كانولوشنال ALEXNET و الگوريتم بهينه‌سازي ميگوي آشوبي به نام (MONANET) پيشنهاد شده است. در شبكه‌ي MONANET به‌منظور بهبود دقت در تشخيص نفوذ به شبكه‌ي IOT و عدم نياز به تنظيم دستي پارامترها، فراپارامترهاي شبكه عصبي با استفاده از الگوريتم ميگوي آشوبي به‌صورت پويا انتخاب مي‌شوند. مقدار تابع تلفات مجموعه اعتبارسنجي كه از اولين آموزش مدل شبكه عصبي با استفاده از مجموعه‌داده Danmini doorbell به دست مي‌آيد، به‌عنوان مقدار تناسب CKH در نظر گرفته مي‌شود. عملكرد جامع شبكه‌ي پيشنهادي و الگوريتم‌هاي GRU، ANN، SVM،LSTM ،FNN ،R-CNN وAPSO-CNN در پنج شاخص ارزيابي و در 12 اجراي مستقل مقايسه شده‌اند. نتايج به‌دست‌آمده نشان‌دهنده بهبود تشخيص نفوذ به شبكه اينترنت اشياء است. الگوريتم پيشنهادي توانسته است بادقت 99/89 % حملات به شبكه اينترنت اشياء را تشخيص دهد. نتايج تجربي برتري روش پيشنهادي را نسبت به ساير روش‌هاي مرز دانش از نظر بهبود دقت طبقه‌بندي نشان مي‌دهد.