ارائه سیستم تشخیص نفوذ در اینترنت اشیاء صنعتی با استفاده از الگوریتم گرگ خاکستری

امنیت یک هدف اصلی در طراحی شبکه اینترنت اشیاء صنعتی است. با توجه به پیشرفت‌های روز‌افزون در اینترنت اشیاء لازم است از ‏روش‌های جدید در تشخیص حملات فعال شبکه استفاده شود. در این مقاله یک سیستم تشخیص نفوذ برای اینترنت اشیاء صنعتی ‏پیشنهادشده است. این سیستم از ترکیب الگوریتم‌های فرا ابتکاری گرگ خاکستری(‏gwo‏) و الگوریتم‌های طبقه‌بندی درخت ‏تصمیم‎(dt)‎، نزدیک‌ترین همسایه ‏‎(knn)‎‏ و شبکه عصبی مصنوعی‎(ann)‎‏ استفاده می‌کند. ابتدا داده‌ها پیش‌پردازش و سپس ‏نرمال‌سازی شده، در مرحله بعد استخراج ویژگی داده‌ها با استفاده از الگوریتم‌ گرگ خاکستری برای استخراج ویژگی‌های مستقل و موثر آن ‏انجام ‌می‌شود. سپس با استفاده از الگوریتم‌های طبقه‌بندی آموزش و درنهایت ارزیابی می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که استفاده ‏از الگوریتم ترکیبی ‏gwo-ann‏ با دقت 93.22 درصد در میزان تشخیص حملات عملکرد بهتری دارد. همچنین الگوریتم ‏ann‏ ‏نسبت به الگوریتم‌های ‏dt‏ و ‏knn‏ در تلفیق با الگوریتم‌ ‏gwo‏ دارای دقت بالاتری است. ‏

providing an intrusion detection system in the industrial internet of things using the gray wolf algorithm

security is a main goal in the design of industrial internet of things network. due to the ever-increasing developments in the internet of things، it is necessary to use new methods to detect active network attacks. in this article، an intrusion detection system for industrial internet of things is proposed. this system uses the combination of gray wolf meta-heuristic algorithms (gwo) and decision tree (dt)، nearest neighbor (knn) and artificial neural network (ann) classification algorithms. first، the data is pre-processed and then normalized، in the next step، data feature extraction is performed using the gray wolf algorithm to extract its independent and effective features. then it is trained using classification algorithms and finally evaluated. the obtained results show that the use of the combined gwo-ann algorithm with 93.22% accuracy has a better performance in detecting attacks. also، the ann algorithm is more accurate than the dt and knn algorithms when combined with the gwo algorithm. ،