بهبود نرمال سازی ماکس-مین برای افزایش کارایی استخراج کننده های ویژگی در شبکه های عمیق به منظور کشف بهینه نفوذ در اینترنت اشیا

با گسترش روزافزون تجهیزات اینترنت اشیا در زیرساخت های حیاتی مانند شبکه های قدرت، نیاز به طراحی سامانه های هوشمند تشخیص نفوذ با دقت بالا و مصرف انرژی بهینه بیش از پیش احساس می شود. یکی از چالش های اساسی در این حوزه کیفیت استخراج ویژگی ها از داده های سنسوری و ارتباطی است که مستقیما بر عملکرد مدل های یادگیری عمیق تاثیر می گذارد. نرمال سازی داده ها به عنوان مرحله ای حیاتی در پیش پردازش، نقش تعیین کننده ای در همگرایی شبکه و تمایز کلاس ها دارد. روش ماکس مین علیرغم سادگی، در مواجهه با داده های نویزی، نامتوازن و غیرخطی عملکرد مطلوبی ندارد. در این پژوهش یک الگوریتم نرمال سازی تطبیقی مبتنی بر بهبود روش ماکس مین طراحی و در محیط متلب پیاده سازی شد. این الگوریتم با در نظر گرفتن نوع ویژگی ها اسمی، رتبه ای، فاصله ای نسبتی و شرایط آماری داده ها، مقیاس بندی پویا را برای هر فیلد به صورت مجزا اعمال می کند. داده های نرمال شده به شبکه عصبی عمیق داده شدند تا فرآیند طبقه بندی گره ها بر اساس وضعیت عملکرد و احتمال نفوذ انجام گیرد. برای ارزیابی، مدل از مجموعه داده ای شامل انواع حملات شبکه ای استفاده شد و معیارهایی مانند دقت طبقه بندی، نرخ خطا، اعوجاج ویژگی ها و مصرف انرژی مورد بررسی قرار گرفت. سپس نتایج شبیه سازی در ۱۰ راند آزمایش نشان داد که مدل توسعه یافته با نرمال سازی تطبیقی در مقایسه با مدل کلاسیک، میانگین دقت بالاتری (۸۷.۶ در برابر ۸۴.۲)، مصرف انرژی کمتر (۰.۲۱۵ ژول در برابر ۰.۲۴۸ ژول)، و نرخ خطای پایین تری (۱۲.۴ در برابر ۱۵.۸ درصد) ارائه داد. این بهبود عملکرد در کنار حفظ ساختار آماری داده ها نشان دهنده اثربخشی الگوریتم پیشنهادی در شرایط عملیاتی واقعی است. روش ارائه شده می تواند به عنوان بخشی از سامانه های حفاظتی تطبیقی در شبکه های قدرت و سایر مورد استفاده قرار گیرد و زمینه ساز توسعه راهکارهای بومی در حوزه امنیت سایبری باشد.

کلیدواژه ها:

شبکه عصبی عمیق ، اینترنت اشیا ، کشف نفوذ ، استخراج ویژگی ، امنیت سایبری