تشخیص حمله در شبکه اینترنت اشیا صنعتی با استفاده از مدل ترکیبی یادگیری عمیق و فراابتکاری

در طی سال های اخیر اینترنت اشیا در بسیاری از زیرساخت های مهم مانند شبکه های مالی، کارخانه های هوشمند و نیروگاه ها برای خودکارسازی و تایید سیستم های صنعتی استفاده شده است. در سیستم های کنترل قدرت، فناوری هایی مانند اینترنت اشیا صنعتی نظارت خودکار را بهبود بخشیده اند، اما روش های قدیمی، که در اصل مستقل بودند، اکنون با شبکه های خارجی متصل می شوند. این پیشرفت آسیب پذیری های ایمنی را از سیستم های فناوری اطلاعات و ارتباطات قدیمی ارائه کرده است. از این رو، رویکردهای مختلف امنیت سایبری برای مقابله با حملات سایبری و آسیب پذیری ها در اینترنت اشیا صنعتی توسعه و بررسی می شود. استفاده از مدل های جدید امنیت سایبری در سیستم های کنترل قدرت به دلیل ایمنی تایید نشده آنها خطراتی را به همراه دارد. بنابراین، این مقاله یک تشخیص حمله امنیت سایبری را با استفاده از تکنیک مدل یادگیری عمیق گروهی و الگوریتم های بهینه سازی در محیط اینترنت اشیا صنعتی طراحی کرده است. در رویکرد پیشنهادی، مرحله عادی سازی داده های اولیه با استفاده از نرمال سازی حداقل حداکثر انجام می شود. در مرحله بعد، رویکرد الگوریتم بهینه سازی گورکن عسل زیر مجموعه های ویژگی را انتخاب می کند. سپس مدل ترکیبی یادگیری عمیق از دو روش، یعنی روش های شبکه های عصبی پیچشی و شبکه های باور عمیق، برای طبقه بندی استفاده می کند. اعتبارسنجی عملکرد روش پیشنهادی نسبت به سایر تکنیک های موجود، دقت بالاتری را نشان داد.

کلیدواژه ها:

اینترنت اشیا صنعتی ، امنیت ، شبکه عصبی پیچشی ، شبکه باور عمیق ، بهینه سازی گورکن عسل.