فهرست نشریات علمی دسترسی آزاد ایران

ویژگی‌های پیچیده و ماهیت خودپیکربندی پروتکل مسیریابی برای شبکه‌های کم‌توان و اتلاف‌دار ( RPL ) چالش‌های مهمی را در توسعه و پیاده‌سازی یک راه‌حل مدیریت کلیدی برای شبکه‌های با محدودیت منابع ایجاد می‌کند. حملات متعددی، از جمله حملات ارسال انتخابی، در این پروتکل شناسایی شده‌اند که اجرای اقدامات متقابل مؤثر برای کاهش و مهار تأثیر آنها را ضروری می‌سازد. تکنیک‌های مبتنی بر شبکه‌های عصبی مصنوعی، مانند پرسپترون چند لایه ( MLP ) برای تشخیص این حملات استفاده شده‌اند. با این حال، این روش‌ها مستعد برازش بیش از حد هستند و مجموعه داده‌های برچسب‌گذاری‌شده و قدرت محاسباتی قابل‌توجهی را طلب می‌کنند، که به نوبه خود دقت سیستم‌های تشخیص را کاهش می‌دهد و نرخ تشخیص خطا را بالا می‌برد. برای پرداختن به این موضوع، بهینه‌سازی پارامترهای اتصال شبکه عصبی MLP از جمله وزن ها و بایاس‌ها ضروری است. در این پژوهش در پاسخ به این چالش‌ها، یک رویکرد مبتنی بر MLP بهینه‌سازی شده برای تشخیص حملات ارسال انتخابی، با استفاده از الگوریتم بهینه‌سازی روباه قطبی ( PFOMLP-SFA ) برای بهبود فرآیند یادگیری MLP با اصلاح وزن‌ها و سوگیری‌های آن، پیشنهاد شده است. هدف بهینه‌سازی روباه قطبی شناسایی پارامترهای اتصال بهینه در طول مرحله یادگیری است و در نتیجه نرخ خطای تشخیص حمله را کاهش می‌دهد. شبیه‌سازی‌های جامع انجام‌شده در Cooja و پايتون، کارایی روش پیشنهادی را در مورد معیارهای ارزیابی كارايي از جمله دقت، صحت و تشخيص و معيارهاي كارايي شبكه از جمله ميانگين نرخ تغيير والد، ميانگين تاخير پايان به پايان و ميانگين نرخ اتلاف بسته نشان می‌دهد.