بهبود سیستم تشخیص نفوذ در اینترنت اشیاء صنعتی مبتنی بر یادگیری عمیق با استفاده الگوریتم های فراابتکاری

با توجه به گسترش روز افزون استفاده از سامانه های اینترنت اشیاء صنعتی یکی از پرکابردترین مکانیزم های امنیتی، سیستم های تشخیص نفوذ در اینترنت اشیاء صنعتی می باشد. در این سیستم ها از تکنیک های یادگیری عمیق به طور فزآینده ای برای شناسایی حملات، ناهنجاری ها یا نفوذ استفاده می شود. در یادگیری عمیق مهم ترین چالش برای آموزش شبکه های عصبی، تعیین فراپارامترهای اولیه در این شبکه ها است. ما برای غلبه بر این چالش، به ارایه ی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداخته ایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنت اشیاء صنعتی مبتنی بر شبکه های عصبی کانولوشن (CNN) و شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (LSTM) با استفاده از الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و وال (WOA) ارایه شده است. این سیستم یک روش ترکیبی براساس شبکه های عصبی و الگوریتم های فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکه های عصبی می باشد. در روش ما با درنظر گرفتن الگوریتم PSO-WOA، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و به صورت خودکار تعیین شده است. در این مقاله از مجموعه داده ی UNSW-NB15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم PSO-WOA با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه کرده و شبکه عصبی CNN-LSTM با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیاده سازی حکایت از آن دارد که علاوه بر خودکارسازی تعیین فراپارامترهای شبکه ی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روش های دیگر بهبود مناسبی داشته است.