سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق و الگوریتم های فرا ابتکاری برای اینترنت اشیاء

امروزه به خاطر فواید قابل ملاحظه ی اینترنت اشیاء (IoT) در حوزه های مختلف از قبیل خانه های هوشمند، صنایع، خودروها، کشاورزی و ... کاربرد آن بسیار گسترش یافته است. با توجه به این مطلب امنیت این شبکه ها روز به روز مورد توجه بیشتری قرار می گیرد. یکی از روش های تامین امنیت در شبکه ها و همینطور شبکه ی اینترنت اشیاء سیستم های تشخیص نفوذ می باشد. سیستم های تشخیص نفوذ سنتی کارایی مناسبی برای استفاده در شبکه ی اینترنت اشیاء ندارند، لذا استفاده از روش های جدید مورد نیاز است یکی از این روش ها سیستم های تشخیص نفوذ مبتنی بر یادگیری ماشین و یادگیری عمیق هستند که در این حوزه مورد توجه قرار گرفته اند. در یادگیری ماشین و یادگیری عمیق شبکه ی عصبی برای تشخیص الگوهای حمله آموزش داده می شوند. پارامترهای مهمی برای تنظیم شبکه ی یادگیری ماشین وجود دارند که انتخاب مقدار مناسب برای این پارامترها تاثیر فراوانی در دقت سیستم دارد. در این پژوهش روشی ارائه شده است که با استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک، بهینه سازی ازدحام ذرات، کلونی زنبور عسل مصنوعی و گرگ خاکستری ابرپارامترهای بهینه برای شبکه ی یادگیری عمیق را یافته و سیستم تشخیص نفوذی براساس این ابرپارامترها ایجاد می شود تا تشخیص نفوذ در شبکه ی اینترنت اشیاء انجام دهد. این روش با استفاده از کتابخانه های Tensorflow و keras پیاده سازی شده و روی مجموعه داده های KDDCup۹۹، UNSW-NB۱۵ و Bot-IoT آزمایش شد. نتایج نشان داد که روش پیشنهادی با دقت بالای ۹۹/۶% می تواند حملات را تشخیص دهد.

کلیدواژه ها:

یادگیری عمیق ، سیستم تشخیص نفوذ ، بهینه سازی ازدحام ذرات ، گرگ خاکستری ، کلونی زنبور عسل مصنوعی ، الگوریتم ژنتیک