تشخیص نفوذ در شبکه اینترنت اشیاء پزشکی با استفاده از الگوریتم هوش گروهی سوسک سرگین و یادگیری گروهی در محیط مهابر

با گسترش کاربرد اینترنت اشیاء پزشکی، تهدیدات امنیتی متعددی شبکه های سلامت هوشمند را هدف قرار داده اند. در این پژوهش، یک مدل ترکیبی هوشمند مبتنی بر الگوریتم هوش گروهی سوسک سرگین و یادگیری گروهی برای تشخیص نفوذ در محیط مهابر ارائه شده است. در مدل پیشنهادی الگوریتم سوسک سرگین برای انتخاب ویژگی های موثر و سه طبقه بند ماشین بردار پشتیبان، جنگل تصادفی و واحد بازگشتی دروازه ای برای طبقه بندی حملات در قالب ساختار یادگیری گروهی به کار گرفته شده اند. نتایج ارزیابی با استفاده از داده ی NSL-KDD نشان می دهد که مدل پیشنهادی دقتی معادل ۹۹.۰۰۲، نرخ تشخیص برابر با ۹۸.۸۵ و نرخ هشدار اشتباه کمتر از ۲ دارد. این نتایج بیانگر آن است که مدل ارائه شده می تواند به عنوان یک راهکار موثر و کارا برای افزایش امنیت شبکه های پزشکی بلادرنگ و کاهش آسیب پذیری در محیط های اینترنت اشیاء پزشکی مورد استفاده قرار گیرد.

کلیدواژه ها:

اینترنت اشیاء پزشکی ، تشخیص نفوذ ، هوش گروهی سوسک سرگین ، یادگیری گروهی ، مه-ابر