استفاده از الگوریتم رقابت استعماری اصلاح شده به منظور افزایش سرعت و دقت سیستم تشخیص نفوذ هوشمند

سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

مقاله 1، دوره 4، شماره 1 - شماره پیاپی 11، فروردین 1402، صفحه 1-10   

نوع مقاله: مقاله پژوهشی

نویسندگان

محمد نظرپور¹؛ نوید نظافتی^{* 2}؛ سجاد شکوهیار³

¹دانشجوی دکتری، مدیریت فناوری اطلاعات، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

²استادیار، گروه مدیریت، دانشگاه شهید بهشتی، تهران، ایران

³دانشیار، گروه مدیریت، دانشگاه شهید بهشتی، تهران، ایران.

چکیده

در تمام سیستم‌های پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب­ می­شود و با شناسایی به­ موقع حملات می‌توان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت­های آن، نیاز به سیستم تشخیص نفوذ هوشمند با دقت و سرعت بالا یک امر ضروری است. شبکه‌های عصبی سیستم‌های مدرنی هستند  که از روش‌های محاسباتی نوین برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسب‌شده برای به حداکثر رساندن پاسخ‌های خروجی سیستم‌های پیچیده استفاده­ می­کنند. یکی از معایب استفاده از آموزش با روش­های کلاسیک در شبکه­ های عصبی، گیرافتادن در نقاط بهینه محلی است. در این مقاله از الگوریتم فراابتکاری رقابت امپریال (ICA) برای آموزش شبکه های عصبی استفاده­ کرده،  نشان­ دادیم که این الگوریتم در زمینه تشخیص نفوذ در سیستم اینترنت اشیا، می­تواند عملکرد بسیار بهتری از منظر سرعت و دقت نسبت به روش­های آموزشی کلاسیک داشته ­باشد .نتایج نشان­ می­دهد روش پیشنهادی دارای دقت 90% می­باشد که در مقایسه با روش شبکه عصبی کلاسیک که دارای دقت 75 درصد بوده عملکرد بهتری دارد.

کلیدواژه‌ها

تشخیص حمله؛ شبکه عصبی؛ قانون فازی؛ فرمولاسیون انطباقی؛ الگوریتم ICA

مراجع

• Hasan, Mahmudul, et al. "Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches." Internet of Things 7 (2019): 100059.
• Kotenko, Igor, et al. "Attack detection in IoT critical infrastructures: a machine learning and big data processing approach." 2019 27th Euromicro International Conference on Parallel, Distributed and Network-Based Processing (PDP). IEEE, 2019.
• Foley, John, Naghmeh Moradpoor, and Henry Ochen. "Employing a Machine Learning Approach to Detect Combined Internet of Things Attacks against Two Objective Functions Using a Novel Dataset." Security and Communication Networks 2020 (2020).
• Doshi, Rohan, Noah Apthorpe, and Nick Feamster. "Machine learning ddos detection for consumer internet of things devices." 2018 IEEE Security and Privacy Workshops (SPW). IEEE, 2018.
• Syed, Naeem Firdous, et al. "Denial of service attack detection through machine learning for the IoT." Journal of Information and Telecommunication (2020): 1-22.
• Radi, Sanaz Amirmokhtar, and Sajjad Shokouhyar. "Toward consumer perception of cellphones sustainability: A social media banalytics." Sustainable Production and Consumption 25 (2021): 217-233.
• Shokohyar, Sajjad, Ehsan Taati, and Sara Zolfaghari. "The Effect of Drivers' Demographic Characteristics on Road Accidents in Different Seasons Using Data Mining." Promet-Traffic&Transportation6 (2017): 555-567.
• Arabi, Mahsa, Saeed Mansour, and Sajjad Shokouhyar. "Optimizing a warranty–based sustainable product service system using game theory." International Journal of Sustainable Engineering5 (2018): 330-341.
• Shokouhyar, Sajjad, Mohammad Reza Seddigh, and Farhad Panahifar. "Impact of big data analytics capabilities on supply chain sustainability: A case study of Iran." World Journal of Science, Technology and Sustainable Development(2020).
• Manimurugan, S., et al. "Effective Attack Detection in Internet of Medical Things Smart Environment Using a Deep Belief Neural Network." IEEE Access 8 (2020): 77396-77404.
• Latif, Shahid, et al. "A Novel Attack Detection Scheme for the Industrial Internet of Things Using a Lightweight Random N`eural Network." IEEE Access 8 (2020): 89337-89350.
• Nia, Masoud Ramezani, and Sajjad Shokouhyar. "Analyzing the effects of visual aesthetic of Web pages on users’ responses in online retailing using the VisAWI method." Journal of Research in Interactive Marketing(2020).
• Shokohyar, Sajjad, Seed Mansour, and Behrooz Karimi. "Simulation-based optimization of ecological leasing: a step toward extended producer responsibility (EPR)." The International Journal of Advanced Manufacturing Technology1 (2013): 159-169.