An Optimized Intrusion Detection System Framework for Internet of Things Networks: Integrating Arctic Puffin Optimization and RNN
نویسندگان
1 Department of Computer Engineering, ST.C., Islamic Azad University, Tehran, Iran
2 Department of Computer Engineering, Par.C., Islamic Azad University, Tehran, Iran
3 Department of Computer Engineering, Nag.C., Islamic Azad University, Naghadeh, Iran
4 Department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
doi
10.71856/IMPCS.2025.1209464چکیده
اینترنت اشیا شبکه ای مرکب از حسگرها و اشیاء مختلف است که می توانند مستقیماً با یکدیگر ارتباط برقرار کنند و بین شبکه های ناهمگن با الگوهای ارتباطی مختلف از جمله تعامل انسان با انسان، انسان با شی و تعامل شی به شی ارتباط برقرار کنند.در چند سال گذشته، تحقیقات قابل توجهی در مورد اینترنت اشیا (IoT) انجام شده است که چالش اصلی آن امنیت و نفوذ شبکه است. راه حل های امنیتی نیاز به برنامه ریزی دقیق و هوشیاری برای حفظ امنیت و حریم خصوصی سیستم دارند. در این مقاله، ما یک سیستم تشخیص نفوذ ترکیبی جدید (IDS) مبتنی بر یادگیری ماشین و الگوریتمهای فراابتکاری به نام (IDS-RNNAPO) پیشنهاد میکنیم که دارای 3 مرحله است: (1) پیش پردازش، (2) انتخاب ویژگی و (3) تشخیص حمله. در مرحله پیش پردازش شامل، تمیز کردن، تجسم، مهندسی ویژگی و برداری. سیستمهای تشخیص نفوذ (IDS) یک جزء امنیتی انتقالی از شبکهها را تشکیل میدهند که فعالیتهای مخرب درون شبکهها را نظارت میکنند. در مرحله انتخاب ویژگی، از بهینه سازی پفین قطب شمال استفاده می شود، در مرحله تشخیص حمله از شبکه عصبی تصادفی اصلاح شده (RNN) استفاده می شود، روش پیشنهادی با استفاده از مجموعه داده DS2OS ارزیابی می شود، مدل پیشنهادی قابلیت توسعه بر روی مجموعه دادهه های مختلف را دارد و می توان الگوریتم پیشنهادی که از شبکه عصبی RNN اصلاح شده استفاده می کند تا بتواند تشخیص بهتری داشته باشد الگوریتم بهینه ساز پافین قطبی، یک الگوریتم بهینه سازاست که عملکرد مناسب برای پیدا کردن تعادل بین فاز اکتشاف و فاز استخراج دارد. در نتیجه این الگوریتم پارامترها و وزنهای شبکه عصبی را بهبود می دهد معماری بهینه شده شبکه عصبی با پیدا کردن وزنهای بهینه و تعداد لایه های پنهان شبکه RNN موجب بهبود عملکرد شبکه عصبی می شود. نتایج نشان می دهد که رویکرد پیشنهادی در این آزمایش ها از طریق یک مدل یادگیری چندگانه منجر به بهبود دقت تا 99.62 درصد شده است. رویکرد پیشنهادی در سناریوهای مختلف در آزمایشهای تجربی سیستم تشخیص نفوذ را به طور چشمگیری بهبود داده است.
