الگوریتمهای الهام گرفته از طبیعت برای شناسایی و تشخیص فعالیتهای مجرمانه در اینترنت اشیا مروری بر روشها و مسیرهای پژوهشی آینده

گسترش سریع اینترنت اشیا و اتصال میلیون ها حسگر و تجهیز هوشمند به اینترنت جریان پیوسته ای از داده های حسگری فراهم کرده که پایش امنیت شهری و شناسایی رخدادهای مشکوک را ممکن می سازد اما همین داده ها حجیم و ناهمگن اند و ویژگی های فراوانی دارند؛ به همین دلیل تشخیص بیدرنگ فعالیت های مجرمانه بدون انتخاب زیرمجموعه ای مناسب از ویژگی ها عملا دشوار است و خود انتخاب ویژگی نیز به دلیل رشد نمایی فضای جست وجو، مسئله ای NP سخت به شمار می رود مرورهای موجود یا بر تشخیص نفوذ و امنیت شبکه متمرکز بوده اند یا الگوریتم های فراابتکاری را صرفا در کنار روش های یادگیری ماشین و یادگیری عمیق بررسی کرده اند مروری که نقش مستقل الگوریتم های الهام گرفته از طبیعت را در شناسایی فعالیت های مجرمانه بر پایه ی داده های اینترنت اشیا تحلیل کند، کمتر دیده می شود. مقاله ی حاضر برای پرکردن این شکاف هفت الگوریتم شامل ژنتیک، بهینه سازی ازدحام ذرات، بهینه ساز گرگ خاکستری، کلونی مصنوعی زنبور عسل، خفاش، جست وجوی فاخته و بهینه ساز گروه گوریل ها را مرور می کند و برای هر یک سازوکار کلی، مطالعات اخیر و مزایا و محدودیت ها را تحلیل می نماید یافته ها نشان می دهد سه الگوریتم ژنتیک، ازدحام ذرات و گرگ خاکستری در پژوهش های اخیر جایگاه پررنگ تری دارند؛ در مقابل الگوریتم هایی مانند خفاش و جست وجوی فاخته با وجود ظرفیت مناسب در جست وجوی سراسری هنوز کمتر آزموده شده اند. هیچ الگوریتمی هم به صورت مطلق برتر نیست؛ انتخاب روش مناسب به شرایط، مسئله از نوع داده گرفته تا منابع محاسباتی در دسترس، بستگی دارد. در پایه مسیرهایی مانند ارزیابی الگوریتم ها در محیط های عملیاتی واقعی و ساخت مجموعه داده های اختصاصی شناسایی جرم برای پژوهش های آینده پیشنهاد شده است.

کلیدواژه ها:

اینترنت اشیا ، الگوریتم های الهام گرفته از طبیعت ، انتخاب ویژگی ، شناسایی فعالیت های مجرمانه ، الگوریتم های فراابتکاری