بهبود دقت سیستم تشخیص نفوذ شبکه در سیستم های اینترنت اشیاء پزشکی از طریق الگوریتم ترکیبی هوش جمعی سالپ و سینوس کسینوس

اینترنت اشیاء یکی از پرکاربردترین مباحث روز است و بخاطر اهمیت کاربردهای آن در حوزه هایی از جمله سلامت، امنیت این شبکه ها یک چالش جدی محسوب می شود. مطالعات نشان می دهد که حملات سایبری در شبکه های بیسیم از جمله اینترنت اشیاء مدنظر بوده و برای شناسایی و تشخیص حمله، از روش ها و مدل های یادگیری ماشین استفاده می شود. در ارائه یک سیستم تشخیص نفوذ کارا نیاز به فاز انتخاب ویژگی و طبقه بندی است و نشان داده شده الگوریتم های تکاملی در هر دو فاز می توانند باعث ارتقا نتایج شوند. در تحقیقات مختلف بروی شبکه عصبی بعنوان روشی کارا در حوزه تشخیص نفوذ، دیده می شود که تنظیم مناسب و بهینه پارامترهای این روش، تا حد زیادی می تواند به افزایش دقت دسته بندی آن کمک نماید. در این مقاله اولین نسخه ترکیبی الگوریتم هوش جمعی سالپ و سینوس کسینوس، در دو فاز انتخاب ویژگی و طبقه بندی در حوزه تشخیص نفوذ در اینترنت اشیاء ارائه شده است. در روش پیشنهادی عمکلرد شبکه عصبی پرسپترون چندلایه با استفاده از الگوریتم ترکیبی مطرح شده، در حوزه تشخیص نفوذ در شبکه اینترنت اشیاء در مجموعه داده NSL-KDD ارتقا یافته است. نتایج مدل پیشنهادی نشان می دهد که در شش حالت با سناریوها مختلف توانسته، در حدود ۲ درصد، میزان نتایج دقت تشخیص نفوذ را ارتقا دهد.