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

زهرا بخشعلی; علیرضا پور ابراهیمی; احمد ابراهیمی; نازنین پیله وری

نویسندگان

زهرا بخشعلی دانشجوی دکتری ، گروه مدیریت فناوری اطلاعات، واحد علوم وتحقیقات، دانشگاه آزاد اسلامی،تهران،ایران. نویسنده https://orcid.org/9745-2703-0008-0009
علیرضا پور ابراهیمی استادیار گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، البرز، ایران. نویسنده https://orcid.org/0000-0001-5993-1932
احمد ابراهیمی استادیار گروه مدیریت صنعتی و تکنولوژی ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. نویسنده https://orcid.org/0000-0002-8546-8002
نازنین پیله وری استاد گروه مدیریت صنعتی، واحد تهران غرب، دانشگاه آزاد اسلامی،تهران، ایران. نویسنده https://orcid.org/0000-0001-6983-7659

کلمات کلیدی:

الگوریتم جستجوی هارمونی, شبکه‌های عصبی, مدل CNN-LSTM, 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.