بهبود دقت تشخیص نفوذ در اینترنت اشیا صنعتی با استفاده از مدل ترکیبی الگوریتم فراابتکاری و شبکه عصبی

سالهای اخیر تحقیقات زیادی در اینترنت اشیا در حوزههای صنعتی انجام شده و یکی از چالش های آن، حوزه امنیت در این شبکه ها بوده است . زیرا برخلاف طرحهای رایج ، اینترنت اشیا صنعتی بایستی در سیستم عامل های بزرگتر و به صورت یکپارچه استفاده شود. در نتیجه ، راه حل های امنیتی در آن، نیازمند برنامه ریزی و آگاهی بیشتری است تا امنیت و حفظ حریم خصوصی سیستم را تضمین کند. حمله های سایبری در این شبکه ها انواع مختلف داشته و روشهای یادگیری ماشین از جمله روش شبکه عصبی تصادفی به خوبی به کار گرفته شده است و از طرفی نشان داده شده که تنظیم وزنهای شبکه عصبی ، تا چه حد می تواند به عملکرد این روش در افزایش دقت تشخیص کمک کند. بنابراین چالش در حوزه تشخیص حمله ، افزایش دقت تشخیص حمله توسط روشهای یادگیری ماشین است و این افزایش دقت از طریق بهبود ساختار این روشها امکانپذیر است . برای حل مسائل اشاره شده در این مقاله یک روش جدید با استفاده از الگوریتم ترکیبی ملخ و سینوس کسینوس برای تنظیم وزنهای شبکه عصبی تصادفی برای تشخیص حمله ارائه شدهاست . هدف این مقاله افزایش دقت شبکه عصبی از طریق تنظیم معماری وزنهای این روش است ، برای این منظور از قدرت جستجوی قوی الگوریتم ترکیبی ملخ و سینوس کسینوس استفاده شده است . ارزیابی های انجام شده برتری روش پیشنهادی را نشان می دهند.

Keywords:

اینترنت اشیا صنعتی , یادگیری ماشین , امنیت سایبری , الگوریتم فرا ابتکاری , تنظیم معماری شبکه عصبی .