بهبود سیستم تشخیص نفوذ در اینترنت اشیاء صنعتیِ مبتنی بر یادگیری عمیق با استفاده الگوریتم‌های فراابتکاری

با توجه به گسترش روز افزون استفاده از سامانه‌های اینترنت‌اشیاء صنعتی یکی از پرکابردترین مکانیزم‌های امنیتی، سیستم‌های تشخیص نفوذ در اینترنت‌اشیاء صنعتی می‌باشد. در این سیستم‌ها از تکنیک‌های یادگیری عمیق به‌طور فزآینده‌ای برای شناسایی حملات، ناهنجاری‌ها یا نفوذ استفاده می‌شود. در یادگیری عمیق مهم‌ترین چالش برای آموزش شبکه‌های عصبی، تعیین فراپارامترهای اولیه در این شبکه‌ها است. ما برای غلبه بر این چالش، به ارائه‌ی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداخته‌ایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنت‌اشیاء صنعتی مبتنی بر شبکه‌های عصبی کانولوشن (cnn) و شبکه‌ عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (lstm) با استفاده از الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (pso) و وال (woa) ارائه شده است. این سیستم یک روش ترکیبی براساس شبکه‌های عصبی و الگوریتم‌های فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکه‌های عصبی می‌باشد. در روش ما با درنظر گرفتن الگوریتم‌ pso-woa، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و به‌صورت خودکار تعیین شده است. در این مقاله از مجموعه‌داده‌ی unsw-nb15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم‌ pso-woa با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه‌ کرده و شبکه‌‌ عصبی cnn-lstm با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیاده‌سازی حکایت از آن دارد که علاوه‌ بر خودکارسازیِ تعیین فراپارامترهای شبکه‌ی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روش‌های دیگر بهبود مناسبی داشته است.

improvement of intrusion detection system on industrial internet of things based on deep learning using metaheuristic algorithms

due to the increasing use of industrial internet of things (iiot) systems, one of the most widely used security mechanisms is intrusion detection system (ids) in the iiot. in these systems, deep learning techniques are increasingly used to detect attacks, anomalies or intrusions. in deep learning, the most important challenge for training neural networks is determining the hyperparameters in these networks. to overcome this challenge, we have presented a hybrid approach to automate hyperparameter tuning in deep learning architecture by eliminating the human factor. in this article, an ids in iiot based on convolutional neural networks (cnn) and recurrent neural network based on short-term memory (lstm) using metaheuristic algorithms of particle swarm optimization (pso) and whale (woa) is used. this system uses a hybrid method based on neural networks and metaheuristic algorithms to improve neural network performance and increase detection rate and reduce neural network training time. in our method, considering the pso-woa algorithm, the hyperparameters of the neural network are determined automatically without the intervention of human agent. in this paper, unsw-nb15 dataset is used for training and testing. in this research, the pso-woa algorithm has use optimized the hyperparameters of the neural network by limiting the search space, and the cnn-lstm neural network has been trained with this the determined hyperparameters. the results of the implementation indicate that in addition to automating the determination of hyperparameters of the neural network, the detection rate of are method improve 98.5, which is a good improvement compared to other methods.