سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق و الگوریتم‌های فرا ابتکاری برای اینترنت اشیاء

امروزه به خاطر فواید قابل ملاحظه‌ی اینترنت اشیاء (iot) در حوزه‌های مختلف از قبیل خانه‌های هوشمند، صنایع، خودروها، کشاورزی و ... کاربرد آن بسیار گسترش یافته است. با توجه به این مطلب، امنیت این شبکه‌ها روز به روز مورد توجه بیشتری قرار می‌گیرد. یکی از روش‌های تامین امنیت در شبکه‌ها و همینطور شبکه‌ی اینترنت اشیاء، سیستم‌های تشخیص نفوذ می‌باشد. سیستم‌های تشخیص نفوذ سنتی کارایی مناسبی برای استفاده در شبکه‌ی اینترنت اشیاء ندارند، لذا استفاده از روش‌های جدید مورد نیاز است. یکی از این روش‌ها، سیستم‌های تشخیص نفوذ مبتنی بر یادگیری ماشین و یادگیری عمیق هستند که در این حوزه مورد توجه قرار گرفته‌اند. در یادگیری ماشین و یادگیری عمیق، شبکه‌ی عصبی برای تشخیص الگوهای حمله آموزش داده می‌شوند. پارامترهای مهمی برای تنظیم شبکه‌ی یادگیری ماشین وجود دارند که انتخاب مقدار مناسب برای این پارامترها تاثیر فراوانی در دقت سیستم دارد. در این پژوهش، روشی ارائه شده است که با استفاده از الگوریتم‌های فراابتکاری نظیر الگوریتم ژنتیک، بهینه‌سازی ازدحام ذرات، کلونی زنبور عسل مصنوعی و گرگ خاکستری، ابرپارامترهای بهینه برای شبکه‌ی یادگیری عمیق را یافته و سیستم تشخیص نفوذی براساس این ابرپارامترها ایجاد می‌شود تا تشخیص نفوذ در شبکه‌ی اینترنت اشیاء انجام گردد. این روش با استفاده از کتابخانه‌های tensorflow و keras پیاده‌سازی شده و روی مجموعه داده‌های  kddcup99، unsw-nb15  و bot-iot  آزمایش شده است. نتایج نشان داده است که روش پیشنهادی با دقت بالای 99.6% می‌تواند حملات را تشخیص دهد.

an intrusion detection system based on deep learning and metaheuristic algorithm for iot

oday, due to the considerable benefits of the internet of things (iot) in various fields such as smart homes, industry, cars, agriculture, etc., its application is very widespread. due to this, the security of these networks is receiving more and more attention. one of the methods of providing security in networks as well as iot network is intrusion detection systems. traditional intrusion detection systems are not very efficient for use in the internet of things, so the use of new methods is required. one of these methods is intrusion detection systems based on machine learning and deep learning that have been considered in this area. they are trained in machine learning and deep neural network learning to detect attack patterns. there are important parameters for setting up a machine learning network, and choosing the right value for these parameters has a great impact on system accuracy. in this paper, a method is presented that uses meta-heuristic algorithms such as genetic algorithm, particle swarm optimization, artificial bee colony and gray wolf to find the optimal hyperparameters for the deep learning network and the intrusion detection system is created based on these hyperparameters. this method was implemented using the tensorflow and keras libraries and tested on the kddcup99, unsw-nb15 and bot-iot datasets. the results showed that the proposed method can detect attacks with a high accuracy of 99%..