بهبود تشخیص نفوذ به شبکه اینترنت اشیاء با استفاده از یادگیری عمیق و الگوریتم بهینه‌سازی میگوی آشوبی

اینترنت اشیاء، یک فناوری جدید است که این فناوری از طریق اینترنت با اشیاء پیرامون خود ارتباط برقرار می‌کند و باهدف سنجش و کنترل از راه دور استفاده می‌گردد. در زمینه امنیت شبکه اینترنت اشیاء (iot)، شناسایی دقیق انواع حملات به این شبکه‌ها که توسط میزبان‌های زامبی تحت کنترل مهاجم راه‌اندازی می‌شوند، اهمیت زیادی دارد. برای کاهش این تهدیدات، به روش‌های جدیدی نیاز است تا حملاتی که دستگاه‌های iot را به خطر انداخته است، در کم‌ترین زمان ممکن شناسایی و از زیان‌های ناشی از حملات جلوگیری کنند. در این مقاله، یک شبکه عصبی جدید جهت بهبود تشخیص نفوذ به شبکه اینترنت اشیاء بر اساس شبکه عصبی کانولوشنال alexnet و الگوریتم بهینه‌سازی میگوی آشوبی به نام (monanet) پیشنهاد شده است. در شبکه‌ی monanet به‌منظور بهبود دقت در تشخیص نفوذ به شبکه‌ی iot و عدم نیاز به تنظیم دستی پارامترها، فراپارامترهای شبکه عصبی با استفاده از الگوریتم میگوی آشوبی به‌صورت پویا انتخاب می‌شوند. مقدار تابع تلفات مجموعه اعتبارسنجی که از اولین آموزش مدل شبکه عصبی با استفاده از مجموعه‌داده danmini doorbell به دست می‌آید، به‌عنوان مقدار تناسب ckh در نظر گرفته می‌شود. عملکرد جامع شبکه‌ی پیشنهادی و الگوریتم‌های gru، ann، svm،lstm ،fnn ،r-cnn وapso-cnn در پنج شاخص ارزیابی و در 12 اجرای مستقل مقایسه شده‌اند. نتایج به‌دست‌آمده نشان‌دهنده بهبود تشخیص نفوذ به شبکه اینترنت اشیاء است. الگوریتم پیشنهادی توانسته است بادقت 99/89 % حملات به شبکه اینترنت اشیاء را تشخیص دهد. نتایج تجربی برتری روش پیشنهادی را نسبت به سایر روش‌های مرز دانش از نظر بهبود دقت طبقه‌بندی نشان می‌دهد.

improving detection of intrusion to internet of things network using deep learning and chaotic krill optimization algorithm

the internet of things is a new technology that communicates with the surrounding objects through the internet and is used for the purpose of remote measurement and control. in the field of internet of things (iot) network security, it is very important to accurately identify the types of attacks on these networks that are launched by zombie hosts under the control of the attacker. in this article, a new neural network is proposed to improve the detection of intrusion into the internet of things network based on the alexnet convolutional neural network and chaotic krill optimization algorithm (monanet). in the monanet network, in order to improve the accuracy in detecting intrusion into the iot network and not need to manually adjust the parameters, the hyperparameters of the neural network are dynamically selected using the chaotic krill algorithm. the value of the loss function of the validation set obtained from the first training of the neural network model using the danmini doorbell dataset is considered as the ckh fitness value. the comprehensive performance of the proposed network and gru, ann, svm, lstm, r-cnn, and apso-cnn algorithms have been compared in five evaluation indices and 12 times independent experiments. the obtained results show the improvement of intrusion detection to the internet of things network. the proposed algorithm has been able to accurately detect %99.89 attacks on the internet of things network. the experimental results show the superiority of the proposed method over other knowledge boundary methods in terms of improving classification accuracy.