تشخیص نفوذ هوشمند در شبکه های اینترنت اشیا با استفاده از شبکه عصبی اسپایک و بهینه سازی کوانتومی الهام

با گسترش اینترنت اشیا بیش از ۷۵ میلیارد دستگاه تا سال ۲۰۳۰ متصل خواهند شد که سطح حمله سایبری را به شدت افزایش می دهد. دستگاه های لبه با منابع محدود به دلیل مصرف انرژی بالا و ناتوانی در پردازش الگوهای پویه از روش های تشخیص نفوذ سنتی بهره نمی برند. در این مقاله روشی نوین ارائه می شود که از شبکه عصبی اسپایک (SNN) با مدل نورون LIF و بهینه سازی کوانتومی الهام با مکانیزم چرخش کیوبیت استفاده می کند. ویژگی های ترافیک شبکه با روش کدگذاری نرخ به سیگنال های اسپایک تبدیل شده و به صورت رویداد محور پردازش می شوند. این روش بر روی سه مجموعه داده واقعی IoTID۲۰ ،Edge-IIoTset و ۲۰۲۱-WUSTL-IIOT ارزیابی شد. نتایج نشان دهنده دستیابی به دقت ۹۹.۵۶، score-۹۹.۴۸، تاخیر ۴۱ ثانیه و مصرف انرژی ۰.۹ میلی ژول است که به ترتیب ۱۱.۳، ۱۰.۸، ۵۶۴٪ و ۹۲.۵ بهبود نسبت به روش های کلاسیک دارد و قابلیت تشخیص واقعی زمان و تعبیه پذیری روی دستگاه های کم مصرف را اثبات می کند.

کلیدواژه ها:

شبکه عصبی اسپایک ، بهینه سازی کوانتومی الهام ، تشخیص نفوذ ، هوشمند ، اینترنت اشیا لبه ، مصرف انرژی پایین ، مدل نورون