طراحی و پیاده‌سازی الگوریتم یادگیری عمیق ترکیبی برای تشخیص حملات در اینترنت اشیا با استفاده از جستجوی هارمونی برای بهینه‌سازی فراپارامتر و انتخاب ویژگی

هدف: هدف اصلی این مطالعه طراحی و پیاده‌سازی یک الگوریتم ترکیبی یادگیری عمیق می‌باشد که معماری‌های cnn و lstm را در جهت شناسایی پیشگیرانه حملات در شبکه‌های iot ادغام می‌کند. روش‌شناسی: این مطالعه یک الگوریتم ترکیبی از cnn و lstm برای شناسایی حملات iot توسعه داده است که از جستجوی هارمونی برای بهینه‌سازی هایپرپارامترها و انتخاب ویژگی‌ها استفاده می‌کند. جستجوی هارمونی در دو مرحله بهینه‌سازی انجام می‌شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی‌های مرتبط. مدل ترکیبی روی داده‌های iot آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز f1 ارزیابی می‌شود. یافته‌ها: نتایج نشان می‌دهند که مدل cnn-lstm بهینه‌شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات iot نسبت به روش‌های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می‌شود. نتیجه‌گیری: این رویکرد می‌تواند به عنوان راه‌حل قوی برای شناسایی پیشگیرانه حملات iot و دیگر چالش‌های امنیتی مورد استفاده قرار گیرد.هدف: هدف اصلی این مطالعه طراحی و پیاده‌سازی یک الگوریتم ترکیبی یادگیری عمیق می‌باشد که معماری‌های cnn و lstm را در جهت شناسایی پیشگیرانه حملات در شبکه‌های iot ادغام می‌کند. روش‌شناسی: این مطالعه یک الگوریتم ترکیبی از cnn و lstm برای شناسایی حملات iot توسعه داده است که از جستجوی هارمونی برای بهینه‌سازی هایپرپارامترها و انتخاب ویژگی‌ها استفاده می‌کند. جستجوی هارمونی در دو مرحله بهینه‌سازی انجام می‌شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی‌های مرتبط. مدل ترکیبی روی داده‌های iot آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز f1 ارزیابی می‌شود. یافته‌ها: نتایج نشان می‌دهند که مدل cnn-lstm بهینه‌شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات iot نسبت به روش‌های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می‌شود. نتیجه‌گیری: این رویکرد می‌تواند به عنوان راه‌حل قوی برای شناسایی پیشگیرانه حملات iot و دیگر چالش‌های امنیتی مورد استفاده قرار گیرد.

design and implementation of a hybrid deep learning algorithm for iot attack detection using harmony search for hyperparameter optimization and feature selection

objective: the primary objective of this study is to design and implement a hybrid deep learning algorithm that integrates cnn and lstm architectures for the proactive detection of attacks in iot networks.methodology: this study develops a hybrid cnn-lstm algorithm for iot attack detection, utilizing harmony search for both hyperparameter optimization and feature selection. the harmony search algorithm is applied in two optimization stages: first for tuning hyperparameters, and second for selecting relevant features. the hybrid model is trained on iot data and evaluated based on metrics such as accuracy, precision, recall, and f1 score.findings: the results indicate that the cnn-lstm model optimized with harmony search demonstrates superior accuracy and efficiency in detecting iot attacks compared to traditional methods, leading to improved key performance indicators and reduced computational overhead.conclusion: this approach can serve as a robust solution for proactive iot attack detection and other security challenges.objective: the primary objective of this study is to design and implement a hybrid deep learning algorithm that integrates cnn and lstm architectures for the proactive detection of attacks in iot networks.methodology: this study develops a hybrid cnn-lstm algorithm for iot attack detection, utilizing harmony search for both hyperparameter optimization and feature selection. the harmony search algorithm is applied in two optimization stages: first for tuning hyperparameters, and second for selecting relevant features. the hybrid model is trained on iot data and evaluated based on metrics such as accuracy, precision, recall, and f1 score.findings: the results indicate that the cnn-lstm model optimized with harmony search demonstrates superior accuracy and efficiency in detecting iot attacks compared to traditional methods, leading to improved key performance indicators and reduced computational overhead.conclusion: this approach can serve as a robust solution for proactive iot attack detection and other security challenges.