تشخیص حملات در زیرساخت اینترنت اشیاء با استفاده از الگوریتم بهبودیافته شامپانزه و یادگیری عمیق

افزایش تعداد دستگاه های اینترنت اشیا، سرعت بالا و حجم زیاد اطلاعات تولید شده، باعث شده است که مسئله امنیت شبکه های اینترنت اشیا و شناسایی حملات سایبری در این شبکه ها، به یکی از چالش های مهم در این حوزه تبدیل شود. سیستم های تشخیص نفوذ به عنوان یکی از راهکارهای ارائه شده برای مقابله با این مشکل است. انتخاب صحیح ویژگی ها در ایجاد مدل های تشخیص نفوذ می تواند باعث افزایش چشمگیری در دقت تشخیص شود. در این مقاله الگوریتم دودویی و بهبودیافته شامپانزه ها برای انتخاب ویژگی طراحی شده است. الگوریتم شامپانزه برای حل مسائل پیوسته است و در حل مسائل دودویی نمی تواند کارآمد باشد. همچنین دارای مشکل افتادن در دام محلی است و اکتشاف و بهره وری و همگرایی در این الگوریتم کند است. بنابراین نیاز است تغییراتی در این الگوریتم برای حل مسائل دودویی انجام شود. از این رو در این مقاله یک نسخه بهبود یافته شامپانزه برای مسائل گسسته و انتخاب ویژگی و رفع موارد ذکر شده، در تشخیص نفوذ و حملات مبتنی بر شبکه های اینترنت اشیا طراحی و پیاده سازی شده است. روش پیشنهادی به طور میانگین ۶۰ درصد ویژگی ها را کاهش داده و به ترتیب با دقت های۳/۹۹ ،۶/۹۹ و۹/۹۹درصد در مجموعه داده های ToN-IoT، UNSW-NB۱۵ و IoTID۲۰ ، موفق به تشخیص حملات شده است و بطور چشمگیری باعث کاهش نرخ هشدار کاذب حملات شده است. تحلیل آماری آزمون کراسکال واریس نشان داد که روش پیشنهادی نسبت به روش های مورد مقایسه با سرعت بیشتری همگرا می شود.

کلیدواژه ها:

حملات ، اینترنت اشیاء ، انتخاب ویژگی ، یادگیری عمیق