تشخیص نفوذ در شبکه اینترنت اشیاء پزشکی با استفاده از الگوریتم هوش گروهی سوسک سرگین و یادگیری گروهی در محیط مه–ابر

با گسترش کاربرد اینترنت اشیاء پزشکی، تهدیدات امنیتی متعددی شبکه‌های سلامت هوشمند را هدف قرار داده‌اند. در این پژوهش، یک مدل ترکیبی هوشمند مبتنی بر الگوریتم هوش گروهی سوسک سرگین و یادگیری گروهی برای تشخیص نفوذ در محیط مه–ابر ارائه شده است. در مدل پیشنهادی، الگوریتم سوسک سرگین برای انتخاب ویژگی‌های موثر و سه طبقه‌بند ماشین بردار پشتیبان، جنگل تصادفی و واحد بازگشتی دروازه‌ای برای طبقه‌بندی حملات در قالب ساختار یادگیری گروهی به‌کار گرفته شده‌اند. نتایج ارزیابی با استفاده از داده‌ی nsl-kdd نشان می‌دهد که مدل پیشنهادی دقتی معادل 99.02% ، نرخ تشخیص برابر با 98.85٪ و نرخ هشدار اشتباه کمتر از 2٪ دارد. این نتایج بیانگر آن است که مدل ارائه‌شده می‌تواند به‌عنوان یک راهکار موثر و کارا برای افزایش امنیت شبکه‌های پزشکی بلادرنگ و کاهش آسیب‌پذیری در محیط‌های اینترنت اشیا پزشکی مورد استفاده قرار گیرد.