تشخیص نفوذ در اینترنت اشیاء با استفاده از شبکه عصبی بازگشتی و بهینه سازی شاهین هریس

اینترنت اشیاء مزایای قابلت وجهی را برای صنایع مختلف به ارمغان آورده است، اما به دلیل حجم زیاد و پیچیدگی سیستم های آن، چالش های امنیتیجدیدی نیز مطرح شده است. حفاظت از سیستم های اینترنت اشیاء در برابر حملات توسط سیستم های تشخیص نفوذ تضمین میشود. اخیراً، استراتژی های یادگیریماشین به طور گسترده برای تشخیص نفوذ در سیستم های اینترنت اشیاء اتخاذ شده اند. با این حال، نیاز به بهبود دارد. در این مقاله یک رویکرد ترکیبی یادگیریعمیق و فرا ابتکاری برای افزایش تشخیص نفوذ در سیستم های اینترنت اشیاء پیشنهاد شده است. الگوریتم بهینه سازی شاهین هریس و شبکه عصبی بازگشتیمیتواند برای افزایش تشخیص نفوذ در اینترنت اشیا استفاده شود. در مدل این مقاله، انواع مختلف حمالت در سیستم های اینترنت اشیاء با استفاده از مدل شبکهعصبی بازگشتی شناسایی شده و انتخاب ویژگی ها با استفاده از بهینه سازی شاهین هریس انجام میشود. برای ارزیابی رویکرد پیشنهادی، از مجموعه داده های دردسترس عموم استفاده شد و تحلیل تجربی نشان داد که رویکرد پیشنهادی از نظر دقت و کارایی به خوبی نسبت به سایر روش های مرتبط کار میکند. به طور کلی،کار پیشنهادی یک راه حل امیدوار کننده برای افزایش تشخیص نفوذ در اینترنت اشیاء ارائه میکند.