محبوبه فتاحی بافقی - دانشگاه آزاد اسلامی واحد بافق
سیما شریعتمداری - دانشگاه آزاد اسلامی واحد یزد

در حوزه سلامت و بهبود خدمات ، یکی از پرکاربردترین موارد ، استفاده از شبکه های بی سیم است. وجود اینترنت اشیاء در کاربردهای سلامت باعث شده است تا کیفیت خدمات درمانی و نظارت بیماران ارتقا یابد، اما این شبکه ها مورد حمله قرار میگیرند، بنابراین جلوگیری و تشخیص نفوذ بسیار اهمیت دارد. یادگیری ماشین یک راهکار مطلوب در تشخیص نفوذ است که می تواند در فاز انتخاب ویژگی و طبقه بندی به کار گرفته شود. داده های تشخیص نفوذ در شبکه ها، دارای ویژگی های متعددی است که نیازمند انتخاب بهترین ویژگی ها بوده تا در فاز طبقه بندی میزان دقت تشخیص افزایش یابد. الگوریتم های فراابتکاری یک راهکار مطلوب در انتخاب ویژگی است. این مقاله نشان می دهد که استفاده از الگوریتم بهینه سازی ارشمیدس برای انتخاب ویژگی و تنظیم وزن های شبکه عصبی منجر به بهبود و افزایش دقت یادگیری ماشن برای تشخیص نفوذ در شبکه اینترنت اشیا می شود. نتایج به دست آمده نشان دهنده ی این است که همه ی روش ها صحت طبقه بندی بالاتری نسبت به دقت و حساسیت داشته و مقدار حساسیت در روش پیشنهادی کمتر است ولی میزان دقت بالاتری دارد، که این نشاندهنده ی آن است روش پیشنهادی به داده های حمله حساسیت بیشتری داشته و در طبقه بندی این داده ها حساسیت دارد، اما در دقت طبقه بندی که در آن تشخیص داده های غیر حمله و حمله قرار دارد، روش پیشنهادی توانسته دقت تشخیص نفوذ را تا بیش از ۲ درصد بهبود دهد.

تشخیص نفوذ ، اینرنت اشیاء ، الگوریتم ارشمیدس