تشخیص نفوذ در اینترنت اشیاء با استفاده از شبکه عصبی بازگشتی و بهینه سازی شاهین هریس

اینترنت اشیاء مزایای قابل توجهی را برای صنایع مختلف به ارمغان آورده است، اما به دلیل حجم زیاد و پیچیدگی سیستم های آن، چالش های امنیتیجدیدی نیز مطرح شده است. حفاظت از سیستم های اینترنت اشیاء در برابر حملات توسط سیستم های تشخیص نفوذ تضمین می شود. اخیرا، استراتژی های یادگیری ماشین به طور گسترده برای تشخیص نفوذ در سیستم های اینترنت اشیاء اتخاذ شدهاند. با این حال، نیاز به بهبود دارد. در این مقاله یک رویکرد ترکیبی یادگیری عمیق و فرا ابتکاری برای افزایش تشخیص نفوذ در سیستم های اینترنت اشیاء پیشنهاد شده است. الگوریتم بهینه سازی شاهین هریس و شبکه عصبی بازگشتی می تواند برای افزایش تشخیص نفوذ در اینترنت اشیا استفاده شود. در مدل این مقاله، انواع مختلف حملات در سیستم های اینترنت اشیاء با استفاده از مدل شبکه عصبی بازگشتی شناسایی شده و انتخاب ویژگی ها با استفاده از بهینه سازی شاهین هریس انجام می شود. برای ارزیابی رویکرد پیشنهادی، از مجموعه داده های در دسترس عموم استفاده شد و تحلیل تجربی نشان داد که رویکرد پیشنهادی از نظر دقت و کارایی به خوبی نسبت به سایر روشهای مرتبط کار میکند. به طور کلی، کار پیشنهادی یک راهحل امیدوارکننده برای افزایش تشخیص نفوذ در اینترنت اشیاء ارائه می کند.