طراحی و پیاده سازی الگوریتم یادگیری عمیق ترکیبی برای تشخیص حملات در اینترنت اشیا با استفاده از جستجوی هارمونی برای بهینه سازی فراپارامتر و انتخاب ویژگی

هدف: هدف اصلی این مطالعه طراحی و پیاده سازی یک الگوریتم ترکیبی یادگیری عمیق می باشد که معماری های CNN و LSTM را در جهت شناسایی پیشگیرانه حملات در شبکه های IoT ادغام می کند. روش شناسی: این مطالعه یک الگوریتم ترکیبی از CNN و LSTM برای شناسایی حملات IoT توسعه داده است که از جستجوی هارمونی برای بهینه سازی هایپرپارامترها و انتخاب ویژگی ها استفاده می کند. جستجوی هارمونی در دو مرحله بهینه سازی انجام می شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی های مرتبط. مدل ترکیبی روی داده های IoT آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز F۱ ارزیابی می شود. یافته ها: نتایج نشان می دهند که مدل CNN-LSTM بهینه شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات IoT نسبت به روش های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می شود. نتیجه گیری: این رویکرد می تواند به عنوان راه حل قوی برای شناسایی پیشگیرانه حملات IoT و دیگر چالش های امنیتی مورد استفاده قرار گیرد.هدف: هدف اصلی این مطالعه طراحی و پیاده سازی یک الگوریتم ترکیبی یادگیری عمیق می باشد که معماری های CNN و LSTM را در جهت شناسایی پیشگیرانه حملات در شبکه های IoT ادغام می کند. روش شناسی: این مطالعه یک الگوریتم ترکیبی از CNN و LSTM برای شناسایی حملات IoT توسعه داده است که از جستجوی هارمونی برای بهینه سازی هایپرپارامترها و انتخاب ویژگی ها استفاده می کند. جستجوی هارمونی در دو مرحله بهینه سازی انجام می شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی های مرتبط. مدل ترکیبی روی داده های IoT آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز F۱ ارزیابی می شود. یافته ها: نتایج نشان می دهند که مدل CNN-LSTM بهینه شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات IoT نسبت به روش های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می شود. نتیجه گیری: این رویکرد می تواند به عنوان راه حل قوی برای شناسایی پیشگیرانه حملات IoT و دیگر چالش های امنیتی مورد استفاده قرار گیرد.

کلیدواژه ها:

الگوریتم جستجوی هارمونی ، شبکه های عصبی ، مدل CNN-LSTM ، انتخاب ویژگی