استفاده از الگوریتم رقابت استعماری اصلاح شده به منظور افزایش سرعت و دقت سیستم تشخیص نفوذ هوشمند

در تمام سیستم های پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب­ می­شود و با شناسایی به­ موقع حملات می توان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت­های آن، نیاز به سیستم تشخیص نفوذ هوشمند با دقت و سرعت بالا یک امر ضروری است. شبکه های عصبی سیستم های مدرنی هستند  که از روش های محاسباتی نوین برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسب شده برای به حداکثر رساندن پاسخ های خروجی سیستم های پیچیده استفاده­ می­کنند. یکی از معایب استفاده از آموزش با روش­های کلاسیک در شبکه­ های عصبی، گیرافتادن در نقاط بهینه محلی است. در این مقاله از الگوریتم فراابتکاری رقابت امپریال (ICA) برای آموزش شبکه های عصبی استفاده­ کرده،  نشان­ دادیم که این الگوریتم در زمینه تشخیص نفوذ در سیستم اینترنت اشیا، می­تواند عملکرد بسیار بهتری از منظر سرعت و دقت نسبت به روش­های آموزشی کلاسیک داشته ­باشد .نتایج نشان­ می­دهد روش پیشنهادی دارای دقت ۹۰% می­باشد که در مقایسه با روش شبکه عصبی کلاسیک که دارای دقت ۷۵ درصد بوده عملکرد بهتری دارد.