سیستم امن اینترنت اشیا با استفاده از الگوریتم سنجاقک برای انتخاب ویژگی و تقویت گرادیان برای طبقه‌بندی

با پیشرفت روزافزون فن آوری اینترنت اشیا و لزوم برقراری ارتباط امن بین دستگاه های متصل به یکدیگر، موضوع امنیت داده های مبادله شده به یک مسئلة حیاتی تبدیل شده است. مهاجمان و رخنه‌گرهای سایبری بانفوذ به سیستم ها و دست‌کاری آنها همواره سعی در ایجاد مشکل در شبکه های اینترنت اشیا دارند. ازاین‌رو، تحقیقات زیادی برای مقابله با این تهدیدات توسط بسیاری از محققان انجام شده است. دقت و زمان اجرای روش های موجود بهینه نیست و نیاز به یک روش ترکیبی که علاوه بر افزایش دقت، زمان مورد نیاز را نیز کاهش دهد امری ضروری به نظر می رسد. در این مقاله، روشی ترکیبی با استفاده از الگوریتم سنجاقک و تقویت گرادیان برای بهبود دقت سیستم اینترنت اشیا ارائه شده است. الگوریتم سنجاقک با بهبود راه حل های جدید و افزایش تنوع جمعیت منجر به حذف ویژگی های غیرموثر می شود که این امر، داده ها را برای دستیابی به دقت های بالا در طبقه بندی آماده می کند، به طوری که آن دسته از ویژگی هایی که منجر به کاهش دقت طبقه‌بندی می شوند کنار گذاشته می شوند. پس از آن با استفاده از تقویت گرادیان که عاملی با سرعت و دقت بالا برای تشخیص (طبقه بندی) است، عملیات طبقه بندی داده ها که فاز اصلی تشخیص حمله است انجام می شود. نتایج شبیه سازی نشان می دهد که دقت طبقه بندی در حالت دودویی و چند رده‌بندی‌شده به ترتیب برابر با 99.994 درصد و 99.992 درصد است که نشان‌دهندة برتری روش پیشنهادی نسبت به سایر روش های قبلی ارائه شده است.

internet of things secure system using dragonfly algorithm for feature selection and gradient boosting for classification

with the increasing progress of internet of things technology and the need to establish secure communication between devices connected to each other, the security of exchanged data has become a critical issue. attackers and cyber hackers always try to create problems in internet of things networks by infiltrating systems and manipulating them. therefore, a lot of research has been done by many researchers to deal with these threats. the accuracy and execution time of the existing methods are not optimal, and the need for a combined method that, in addition to increasing the accuracy, also reduces the required time seems essential. in this paper, a hybrid method using the dragonfly algorithm and gradient boosting is presented to improve the accuracy of the internet of things system. the dragonfly algorithm leads to the elimination of ineffective features by improving new solutions and increasing population diversity, which prepares the data to achieve high accuracy in classification. so that those features that lead to a decrease in classification accuracy are left out. after that, by using gradient boosting, which is a factor with high speed and accuracy for detection (classification), the data classification operation is performed, which is the main phase of attack detection. the simulation results show that the classification accuracy in binary and multi-class mode is equal to 99.994% and 99.992%, respectively, which indicates the superiority of the proposed method over other previous methods.