شناسایی حملات ddos به شهرهای هوشمند با مکانیزم رای گیری اکثریت در انتخاب ویژگی و یادگیری ماشین

اینترنت اشیاء یک شبکه با کاربردهای زیاد است و این شبکه توانسته تعداد زیادی شی هوشمند را به کمک انواع فناوری ها به هم متصل نماید. یکی از کاربردهای مهم شبکه اینترنت اشیاء، توسعه شهرهای هوشمند است که در این شهرها همه اجزاء مانند حمل و نقل هوشمند سازی شده است. نفوذ به شبکه اینترنت اشیاء و شهرهای هوشمند یکی از موانع توسعه این شبکه ها است. حملات بر علیه شبکه های کامپیوتری مانند اینترنت اشیاء سالانه میلیون ها دلار زیان به همراه دارد. سیستم تشخیص نفوذ یک ابزار امنیتی مناسب و کارآمد برای مقابله با حملات به شبکه است. یک سیستم تشخیص نفوذ کارآمد و هوشمند باید توانایی بالایی برای تحلیل ترافیک داشته باشد. حملات ddos یک حمله رایج در شهرهای هوشمند و اینترنت اشیاء بوده و باعث می شوند که سرویس دهندگان در لایه ابر محاسباتی با چالش سرویس دهی مواجه شوند. در این مقاله برای تشخیص حملات ddos در شهرهای هوشمند یک روش پیشرفته با سه بخش مختلف ارایه شده است. روش پیشنهادی برای تشخیص حملات می تواند ویژگی های اولیه را با شبکه عصبی کانولوشن استخراج نماید. در مرحله بعد با الگوریتم بهینه سازی gwo ویژگی های مهم برای تشخیص حملات انتخاب شده و در نهایت تحویل سه طبقه بندی کننده rbf، smo و bn می شود تا با یادگیری ترکیبی، خطای تشخیص حملات را کاهش دهند. آزمایشات نشان داد که دقت روش پیشنهادی از چند روش پیشرفته تشخیص نفوذ مانند شبکه عصبی مصنوعی، جنگل تصادفی، ماشین بردار پشتیبان، یادگیری عمیق، ادابوث دقت بیشتری دارد. روش پیشنهادی در تشخیص حملات ddos همچنین از الگوریتم انتخاب ویژگی warpper و filter دقت بیشتری دارد.