بهبود سيستم تشخيص نفوذ در اينترنت اشياء صنعتيِ مبتني بر يادگيري عميق با استفاده الگوريتم‌هاي فراابتكاري

با توجه به گسترش روز افزون استفاده از سامانه‌هاي اينترنت‌اشياء صنعتي يكي از پركابردترين مكانيزم‌هاي امنيتي، سيستم‌هاي تشخيص نفوذ در اينترنت‌اشياء صنعتي مي‌باشد. در اين سيستم‌ها از تكنيك‌هاي يادگيري عميق به‌طور فزآينده‌اي براي شناسايي حملات، ناهنجاري‌ها يا نفوذ استفاده مي‌شود. در يادگيري عميق مهم‌ترين چالش براي آموزش شبكه‌هاي عصبي، تعيين فراپارامترهاي اوليه در اين شبكه‌ها است. ما براي غلبه بر اين چالش، به ارائه‌ي رويكردي تركيبي براي خودكارسازي تنظيم فراپارامتر در معماري يادگيري عميق با حذف عامل انساني پرداخته‌ايم. در اين مقاله يك سيستم تشخيص نفوذ در اينترنت‌اشياء صنعتي مبتني بر شبكه‌هاي عصبي كانولوشن (CNN) و شبكه‌ عصبي بازگشتي مبتني بر حافظه كوتاه مدت (LSTM) با استفاده از الگوريتم‌هاي فراابتكاري بهينه‌سازي ازدحام ذرات (PSO) و وال (WOA) ارائه شده است. اين سيستم يك روش تركيبي براساس شبكه‌هاي عصبي و الگوريتم‌هاي فراابتكاري براي بهبود عملكرد شبكه عصبي در راستاي افزايش نرخ تشخيص و كاهش زمان آموزش شبكه‌هاي عصبي مي‌باشد. در روش ما با درنظر گرفتن الگوريتم‌ PSO-WOA، فراپارامترهاي شبكه عصبي بدون دخالت عامل انساني و به‌صورت خودكار تعيين شده است. در اين مقاله از مجموعه‌داده‌ي UNSW-NB15 براي آموزش و آزمايش استفاده شده است. در اين پژوهش، الگوريتم‌ PSO-WOA با محدود كردن فضاي جستجو، فراپارامترهاي شبكه عصبي را بهينه‌ كرده و شبكه‌‌ عصبي CNN-LSTM با فراپارامترهاي تعيين شده آموزش ديده است. نتايج پياده‌سازي حكايت از آن دارد كه علاوه‌ بر خودكارسازيِ تعيين فراپارامترهاي شبكه‌ي عصبي، نرخ تشخيص روش ما 98.5 درصد بوده كه در مقايسه با روش‌هاي ديگر بهبود مناسبي داشته است.