یک سیستم تشخیص حملات در iot با استفاده از الگوریتم بهینه سازی گله اسب (hoa) و سنجاقک در انتخاب ویژگی

علیرغم تلاش های بسیار زیاد در مبارزه با حملات شبکات اینترنت اشیا، هنوز هم این گونه حملات مانند ddos تهدیدی جدی برای امنیت فضای سایبری به ویژه در شبکه‌های اینترنت اشیا است. سیستم تشخیص نفوذ یکی از فناوری‌های موجود برای محافظت از شبکه‌ها و دستگاه های اینترنت اشیا است. در این تحقیق، یک مدل تشخیص نفوذ مبتنی بر استخراج و انتخاب ویژگی و طبقه‌بندی شبکه‌های عصبی پیشنهاد شده است. در روش پیشنهادی، ابتدا مجموعه داده ها bot-iot جمع آوری شده و داده‌های ورودی از قبل پردازش می‌شوند تا نویزها و داده‌های از دست رفته و افزونه حذف شوند و الگوریتم بهینه سازی سنجاقک، ابعاد مجموعه داده‌ها را کاهش می‌ دهد. سپس با استفاده از طبقه‌بندی شبکه‌های عصبی mlp که ضرایب و پارامترهای وزنی آن با الگوریتم گله اسب بهینه سازی شده اند، می‌توان یک مدل تشخیص نفوذ ساخت. نتایج ارزیابی ها تایید می کند که روش پیشنهادی نسبت به روش مورد مقایسه نتایج به مراتب بهتری را ارائه داده است. این ارزیابی ها که براساس تغییر در اندازه بخش آموزش مجموعه داده انجام شده است نشان میدهد که در معیارهای recall، accuracy، precision و f-measure روش پیشنهادی توانسته است به ترتیب 15%، 14%، 12% و 14% بهبود حاصل کند.