بهبود پایداری تشخیص نفوذ مبتنی بر LSTM برای شبکه های اینترنت اشیای پزشکی (IoMT) با استفاده از الگوریتم بهینه سازی شاهین های هریس

تشخیص نفوذ در اینترنت اشیاء پزشکی (IoMT) یک مسئله حیاتی ایمنی است، شبکه های حافظه طولانی کوتاه مدت (LSTM) توانایی بالایی در تشخیص حملات پیچیده شبکه ارائه می دهند. برای پرداختن به این چالش، این مطالعه یک الگوریتم بهینه سازی اصلاح شده شاهین های هریس (MHHO) را معرفی می کند که HHO استاندارد را با ادغام وزن دهی اینرسی پویا و کاوش مبتنی بر پرواز لوی بهبود می بخشد. این مکانیسم ها تعادل بین اکتشاف و استخراج را بهبود می بخشند، همگرایی زودرس را به طور موثر کاهش می دهند و رفتار جستجوی سراسری را تقویت می کنند.MHHO پیشنهادی برای بهینه سازی تطبیقی ابرپارامترهای کلیدی یک مدل تشخیص نفوذ مبتنی بر LSTM به کار گرفته می شود و نیاز به تنظیم دستی یا روش های مرسوم مانند جستجوی شبکه را از بین می برد. علاوه بر این، از یک استراتژی تابع برازندگی قوی و متمرکز بر یادآوری برای به دست آوردن پیکربندی های ابرپارامتر استفاده می شود که قابلیت اطمینان مدل را بهبود می بخشد و حساسیت به عدم تعادل کلاس را کاهش می دهد. نتایج آزمایش روی مجموعه داده CICIoMT۲۰۲۴ در پنج اجرای مستقل نشان می دهد که هر دو مدل LSTM HHO و LSTM MHHO از نظر میانگین امتیاز F۱ از LSTM پایه بهتر عمل می کنند، و مدل LSTM MHHO تغییرپذیری عملکرد بسیار کمتری را نشان می دهد. از آنجایی که بهینه سازی فقط یک بار در طول آموزش آفلاین انجام می شود، سیستم نهایی مستقر شده پیچیدگی استنتاج LSTM استاندارد را حفظ می کند. یافته ها نشان می دهد که چارچوب LSTM MHHO پیشنهادی، پایداری بهبود یافته، عملکرد قابل اعتماد و مناسب بودن عملی را برای محیط های IoMT با ایمنی حیاتی ارائه می دهد.

کلیدواژه ها:

اینترنت اشیای پزشکی (IoMT) ، یادگیری عمیق ، حافظه طولانی کوتاه مدت (LSTM) ، الگوریتم بهینه سازی شاهین های هریس (HHO) ، بهینه سازی ابرپارامترها