بررسی و تحلیل روشهای تشخیص نفوذ در اینترنت اشیاء با همافزایی الگوریتمهای تکاملی و یادگیری ماشین

با رشد سریع فناوری اینترنت اشیاء (IoT)، امنیت این محیط پیچیده به یکی از چالش های مهم در علوم کامپیوتر و شبکه تبدیل شده است. سامانه های تشخیص نفوذ (IDS) در این زمینه نقش کلیدی ایفا می کنند، اما محدودیت منابع، ناهمگونی دستگاه ها و داده های عظیم IoT، کارایی روش های سنتی را با مشکل مواجه ساخته اند. در سال های اخیر، ترکیب الگوریتم های تکاملی با مدل های یادگیری ماشین به عنوان رویکردی نوین برای ارتقای دقت و کارایی سامانه های IDS مطرح شده است. این مقاله مروری به بررسی مطالعات و روش های اخیر در زمینه استفاده هم افزا از الگوریتم های تکاملی مانند الگوریتم ژنتیک، ازدحام ذرات (PSO) و الگوریتم زنبور عسل، به منظور بهینه سازی عملکرد مدل های یادگیری ماشین در تشخص نفوذ در محیط های IoT می پردازد. نتایج بررسی ها نشان می دهد که این رویکرد ترکیبی به طور قابل توجهی عملکرد سامانه های IDS را بهبود می بخشد، اما همچنان چالش هایی مانند سربار محاسباتی، سازگاری با معماری های توزیع شده و نیاز به داده های با کیفیت بالا وجود دارد.

کلیدواژه ها:

اینترنت اشیا ، تشخیص نفوذ ، الگوریتم های تکاملی ، یادگیری ماشین