یک سیستم تشخیص حملات به شبکه شهرهای هوشمند و اینترنت اشیاء با الگوریتم بهینه سازی وال و یادگیری عمیق

اینترنت اشیاء عصر مدرنی را آغاز کرده است که در آن شبکه ای از رایانه ها و دستگاه هایی که قادر به تعامل و تعامل با یکدیگر هستند، فناوری های فرآیندهای تجاری جدید را به پیش می برند. افراد و شرکت ها طیف وسیعی از مسائل مربوط به اعتبار اجرا، تامین مالی و عملیات تجاری را در نتیجه حملات گسترده و افزایش سریع امنیت سایبری به سیستم های IoT تجربه کرده اند. شبکه اینترنت اشیاء به دلیل استفاده از اشیایی با منابع محدود مستعد انواع حملات است و هر یک از اشیاء بکار رفته در آن می تواند یک عامل حمله و بات نت در نظر گرفته شود. یک رویکرد کاربردی برای مقابله با حملات بکارگیری سیستم های تشخیص نفوذ هوشمند و کارآمد است. نقش سیستم تشخیص نفوذ تحلیل ترافیک شبکه و تشخیص الگوی حملات و گزارش حملات به دیوار آتش است. یک سیستم تشخیص نفوذ در این مقاله برای اینترنت اشیاء معرفی می شود به گونه ای که توانایی یادگیری عمیق و هوش گروهی را استفاده می کند. در روش پیشنهادی از الگوریتم بهینه سازی وال برای انتخاب ویژگی و از شبکه عصبی LSTM برای طبقه بندی ترافیک شبکه استفاده می شود. آزمایشات انجام شده روی مجموعه داده NSL-KDD نشان می دهد که دقت، حساسیت و صحت روش پیشنهادی به ترتیب برابر ۹۸.۸۶ %، ۹۸.۶۴% و ۹۸.۵۲% است. روش پیشنهادی نسبت به روشهای انتخاب ویژگی از جمله الگوریتم شاهین, الگوریتم گرگ خاکستری و الگوریتم بهینه سازی عقاب طلایی در تشخیص حملات دارای دقت بیشتری است.

Keywords:

اینترنت اشیاء , سیستم تشخیص نفوذ , حملات به شبکه , انتخاب ویژگی , الگوریتم بهینه سازی وال , یادگیری عمیق , شبکه عصبی LSTM