استفاده از هوش مصنوعی برای بهینه سازی مدل های یادگیری عمیق در شناسایی حملات سایبری اینترنت اشیا: یک رویکرد ترکیبی MOA-POA

در این پژوهش، دو الگوریتم بهینه سازی فراابتکاری به نام های MOA (Military Optimization Algorithm) و POA (Pufferfish Optimization Algorithm) برای آموزش مدل های یادگیری عمیق (DL) به منظور دسته بندی تهدیدات امنیتی در محیط اینترنت اشیاء (IoT) به کار گرفته اند. این الگوریتم ها به طور ترکیبی با مدل های مختلف یادگیری عمیق نظیر CNN و DBN برای MOA و Bi-LSTM برای POA ارزیابی شده اند. هدف این تحقیق ارائه رویکردی بهینه برای شناسایی و دسته بندی انواع تهدیدات امنیتی در اینترنت اشیاء با استفاده از تکنیک های یادگیری ماشین و بهینه سازی است. مدل های پیشنهادی با استفاده از دو دیتاست مجزا (دیتاست ۱ و دیتاست ۲) مورد ارزیابی قرار گرفتند و نتایج حاصل از چهار معیار عملکردی مختلف شامل دقت، شاخص رند (Rand Index)، معیار F (F-Measure) و MCC (Matthews Correlation Coefficient) مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که مدل ترکیبی + MOA در تمامی معیارها به ویژه در معیارهای MCC (۰.۸۸۶) و F-Measure (۰.۸۹۶) عملکرد برجسته ای داشته است. این مدل همچنین در مقایسه با سایر روش ها، از جمله مدل های موجود در ادبیات، بهترین عملکرد را ارائه داد. مدل POA نیز به ویژه در معیار F-Measure (۰.۸۸۱) عملکرد قابل قبولی داشت، اما از نظر دقت کلی و هماهنگی دسته بندی نسبت به مدل MOA ضعیف تر بود. نتایج این پژوهش نشان می دهند که مدل های بهینه سازی مبتنی بر MOA و POA می توانند به طور موثر در حل مسائل امنیتی اینترنت اشیاء مورد استفاده قرار گیرند. انتخاب مناسب الگوریتم بهینه سازی بستگی به نیاز خاص مسئله، نظیر دقت یا صرفه جویی در زمان و منابع دارد. در نهایت، مدل ترکیبی + MOA به عنوان بهترین انتخاب برای این مسئله پیشنهاد می شود.

کلیدواژه ها:

یادگیری عمیق ، اینترنت اشیاء ، الگوریتم بهینه سازی ، MOA ، POA ، امنیت سایبری ، دسته بندی تهدیدات ، F-Measure ، MCC