طراحی و پیاده‌سازی الگوریتم یادگیری عمیق ترکیبی برای تشخیص حملات در اینترنت اشیا با استفاده از جستجوی هارمونی برای بهینه‌سازی فراپارامتر و انتخاب ویژگی

چکیده

هدف: هدف اصلی این مطالعه طراحی و پیاده‌سازی یک الگوریتم ترکیبی یادگیری عمیق می‌باشد که معماری‌های CNN و LSTM را در جهت شناسایی پیشگیرانه حملات در شبکه‌های IoT ادغام می‌کند. روش‌شناسی: این مطالعه یک الگوریتم ترکیبی از CNN و LSTM برای شناسایی حملات IoT توسعه داده است که از جستجوی هارمونی برای بهینه‌سازی هایپرپارامترها و انتخاب ویژگی‌ها استفاده می‌کند. جستجوی هارمونی در دو مرحله بهینه‌سازی انجام می‌شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی‌های مرتبط. مدل ترکیبی روی داده‌های IoT آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز F1 ارزیابی می‌شود. یافته‌ها: نتایج نشان می‌دهند که مدل CNN-LSTM بهینه‌شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات IoT نسبت به روش‌های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می‌شود. نتیجه‌گیری: این رویکرد می‌تواند به عنوان راه‌حل قوی برای شناسایی پیشگیرانه حملات IoT و دیگر چالش‌های امنیتی مورد استفاده قرار گیرد.هدف: هدف اصلی این مطالعه طراحی و پیاده‌سازی یک الگوریتم ترکیبی یادگیری عمیق می‌باشد که معماری‌های CNN و LSTM را در جهت شناسایی پیشگیرانه حملات در شبکه‌های IoT ادغام می‌کند. روش‌شناسی: این مطالعه یک الگوریتم ترکیبی از CNN و LSTM برای شناسایی حملات IoT توسعه داده است که از جستجوی هارمونی برای بهینه‌سازی هایپرپارامترها و انتخاب ویژگی‌ها استفاده می‌کند. جستجوی هارمونی در دو مرحله بهینه‌سازی انجام می‌شود: ابتدا برای تنظیم هایپرپارامترها و سپس برای انتخاب ویژگی‌های مرتبط. مدل ترکیبی روی داده‌های IoT آموزش داده شده و بر اساس معیارهایی مانند دقت، دقت مثبت، بازیابی و امتیاز F1 ارزیابی می‌شود. یافته‌ها: نتایج نشان می‌دهند که مدل CNN-LSTM بهینه‌شده با جستجوی هارمونی، دقت و کارایی بهتری در شناسایی حملات IoT نسبت به روش‌های سنتی دارد و منجر به بهبود معیارهای کلیدی عملکرد و کاهش سربار محاسباتی می‌شود. نتیجه‌گیری: این رویکرد می‌تواند به عنوان راه‌حل قوی برای شناسایی پیشگیرانه حملات IoT و دیگر چالش‌های امنیتی مورد استفاده قرار گیرد.