تشخیص بات نت های شبکه اینترنت اشیاء با استفاده از یادگیری مبتنی بر رفتار هوش گروهی انسان

فناوری اینترنت اشیاء مرتبا در حال پیشرفت است و وارد همه ابعاد زندگی بشر شده است. از جمله جنبه های مهم اینترنت اشیاء در زندگی ما می توان به آموزش، خانه، وسایل نقلیه یا مراقبت های بهداشتی اشاره نمود. با افزایش تعداد دستگاه های متصل، چالش های متعددی نیز با فناوری اینترنت اشیاء، ظهور کرده است. ناهمگونی، مقیاس پذیری، کیفیت خدمات، الزامات امنیتی و بسیاری موارد دیگر از چالش های مهم اینترنت اشیاء است. حملات در شبکه اینترنت اشیاء یک چالش مهم است و این موضوع به نوبه خود، اینترنت اشیاء را در برابر حملات امنیتی آسیب پذیر می کند و در نهایت باعث خسارات مالی زیادی می شود. یکی از چالش های مهم در اینترنت اشیاء بات نتها می باشند که حملاتی نظیر DDoS را بر علیه سرویس های شبکه اعمال می کنند. یکی از روشهای مناسب برای تشخیص حملات بکارگیری روشهای یادگیری ماشین برای تشخیص حملات است. در این مقاله برای کاهش دادن خطای تشخیص حملات از یک مکانیزم رای گیری اکثریت و انتخاب ویژگی مبتنی بر یادگیری انسان و هوش گروهی انسان استفاده می-شود. ارزیابی ها و آزمایشات روی مجموعه داده NSL-KDD نشان می دهد روش پیشنهادی در تشخیص حملات به ترتیب برابر ۹۸.۶۴%، ۹۸.۳۴% و ۹۸.۲۱% است. روش پیشنهادی نسبت به الگوریتم های نظیر ماشین بردار پشتیبان، شبکه عصبی چند لایه و جنگل تصادفی درای دقت بیشتری در تشخیص حملات است. روش پیشنهادی همچنین در تشخیص حملات نسبت به روش های انتخاب ویژگی مانند الگوریتم گرگ خاکستری، الگوریتم گرگ خاکستری ترکیب شده با الگوریتم ذرات، الگوریتم کرم شب تاب، انتخاب ویژگی با الگوریتم یادگیری عمیق دارای دقت بیشتری است.