شناسایی بد افزار در اینترنت اشیاء با شبکه عصبی LSTM و هوش گروهی

اطلاعات، در عصر امروز، یکی از با ارزشترین اما آسیب پذیرترین دارایی ها است. تهدید دائمی آسیب جدی به زیرساخت های ناشی از بدافزارهای پیچیده در حال تکامل وجود دارد. تکنیک ها، روندها و استراتژی های مختلفی برای کاهش تهدیدات ناشی از کدهای مخرب پیشنهاد شده است. این روش ها ممکن است از نوع بدوی تشخیص بدافزار بر اساس تجزیه و تحلیل آماری گرفته تا روش های مبتنی بر یادگیری ماشین و به ویژه شبکه های عصبی عمیق باشد. شناسایی بدافزار با تکنیک های مختلفی انجام می شود. بسیاری از محققان شیوه های مختلف برای کشف و شناسایی بدافزار را بررسی کرده اند که روش های یادگیری عمیق دارای کارایی بیشتری است. تشخیص بدافزار از این جهت با روش های یادگیری عمیق مهم است که روش های یادگیری عمیق توانایی تشخیص الگوهای پیچیده بدافزار را دارد. در روش پیشنهادی برای تشخیص بدافزار یک روش ترکیبی هوش گروهی و یادگیری عمیق است. در روش پیشنهادی در ابتدا ویژگی های مهم با الگوریتم هوش گروهی عقاب طالیی انتخاب شده و تحویل LSTM می شود تا بدافزارها را با دقت بیشتری تشخیص دهد. آزمایشات نشان می دهد در مجموعه داده IoT-۲۳ دقت، حساسیت و صحت روش پیشنهادی برای تشخیص بدافزار برابر ۹۸.۲۴%، ۹۷.۶۳% و ۹۶.۵۲% است و روش پیشنهادی نسبت به روش های مانند RNN، LSTM و GRU دقت بیشتری در تشخیص بدافزار دارد.

کلیدواژه ها:

بدافزار ، اینترنت اشیاء ، یادگیری عمیق ، هوش گروهی ، الگوریتم عقاب طالیی