سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق و الگوریتمهای فرا ابتکاری برای اینترنت اشیاء | ||
| مدل سازی در مهندسی | ||
| دوره 22، شماره 76، بهار 1403، صفحه 69-83 اصل مقاله (1.02 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2023.30503.2443 | ||
| نویسندگان | ||
| بهمن سنجابی1؛ محمود احمدی* 2 | ||
| 1دانش آموخته کارشناسی ارشد مهندسی معماری کامپیوتر، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه رازی، ایران | ||
| 2دانشیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه رازی، ایران | ||
| چکیده | ||
| امروزه به خاطر فواید قابل ملاحظهی اینترنت اشیاء (IoT) در حوزههای مختلف از قبیل خانههای هوشمند، صنایع، خودروها، کشاورزی و ... کاربرد آن بسیار گسترش یافته است. با توجه به این مطلب، امنیت این شبکهها روز به روز مورد توجه بیشتری قرار میگیرد. یکی از روشهای تأمین امنیت در شبکهها و همینطور شبکهی اینترنت اشیاء، سیستمهای تشخیص نفوذ میباشد. سیستمهای تشخیص نفوذ سنتی کارایی مناسبی برای استفاده در شبکهی اینترنت اشیاء ندارند، لذا استفاده از روشهای جدید مورد نیاز است. یکی از این روشها، سیستمهای تشخیص نفوذ مبتنی بر یادگیری ماشین و یادگیری عمیق هستند که در این حوزه مورد توجه قرار گرفتهاند. در یادگیری ماشین و یادگیری عمیق، شبکهی عصبی برای تشخیص الگوهای حمله آموزش داده میشوند. پارامترهای مهمی برای تنظیم شبکهی یادگیری ماشین وجود دارند که انتخاب مقدار مناسب برای این پارامترها تأثیر فراوانی در دقت سیستم دارد. در این پژوهش، روشی ارائه شده است که با استفاده از الگوریتمهای فراابتکاری نظیر الگوریتم ژنتیک، بهینهسازی ازدحام ذرات، کلونی زنبور عسل مصنوعی و گرگ خاکستری، ابرپارامترهای بهینه برای شبکهی یادگیری عمیق را یافته و سیستم تشخیص نفوذی براساس این ابرپارامترها ایجاد میشود تا تشخیص نفوذ در شبکهی اینترنت اشیاء انجام گردد. این روش با استفاده از کتابخانههای Tensorflow و keras پیادهسازی شده و روی مجموعه دادههای KDDCup99، UNSW-NB15 و Bot-IoT آزمایش شده است. نتایج نشان داده است که روش پیشنهادی با دقت بالای 99.6% میتواند حملات را تشخیص دهد. | ||
| کلیدواژهها | ||
| یادگیری عمیق؛ سیستم تشخیص نفوذ؛ بهینهسازی ازدحام ذرات؛ گرگ خاکستری؛ کلونی زنبور عسل مصنوعی؛ الگوریتم ژنتیک | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,965 تعداد دریافت فایل اصل مقاله: 1,419 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,848,857 |
| تعداد دریافت فایل اصل مقاله | 64,547,475 |