اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,306 |
| تعداد مقالات | 9,427 |
| تعداد مشاهده مقاله | 9,188,653 |
| تعداد دریافت فایل اصل مقاله | 5,620,946 |
تشخیص حملات در زیرساخت اینترنت اشیاء با استفاده از الگوریتم بهبودیافته شامپانزه و یادگیری عمیق | ||
| پدافند الکترونیکی و سایبری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| رویا زارع فرخادی1؛ کامبیز مجیدزاده* 2؛ محمد مصدری2؛ علی غفاری3 | ||
| 1دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران | ||
| 2استادیار،گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران | ||
| 3دانشیار،گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران | ||
| تاریخ دریافت: 09 فروردین 1404، تاریخ بازنگری: 18 خرداد 1404، تاریخ پذیرش: 06 تیر 1404 | ||
| چکیده | ||
| افزایش تعداد دستگاه‌های اینترنت اشیا، سرعت بالا و حجم زیاد اطلاعات تولید شده، باعث شده است که مسئله امنیت شبکه‌های اینترنت اشیا و شناسایی حملات سایبری در این شبکه‌ها، به یکی از چالش های مهم در این حوزه تبدیل شود. سیستم های تشخیص نفوذ به عنوان یکی از راهکارهای ارائه شده برای مقابله با این مشکل است. انتخاب صحیح ویژگی‌ها در ایجاد مدل‌های تشخیص نفوذ می تواند باعث افزایش چشمگیری در دقت تشخیص شود. در این مقاله الگوریتم دودویی و بهبودیافته شامپانزه‌ها برای انتخاب ویژگی طراحی شده است. الگوریتم شامپانزه برای حل مسائل پیوسته است و در حل مسائل دودویی نمی‌تواند کارآمد باشد. همچنین دارای مشکل افتادن در دام محلی است و اکتشاف و بهره‌وری و همگرایی در این الگوریتم کند است. بنابراین نیاز است تغییراتی در این الگوریتم برای حل مسائل دودویی انجام شود. از این رو در این مقاله یک نسخه بهبود یافته شامپانزه برای مسائل گسسته و انتخاب ویژگی و رفع موارد ذکر شده، در تشخیص نفوذ و حملات مبتنی بر شبکه های اینترنت اشیا طراحی و پیاده سازی شده است. روش پیشنهادی به طور میانگین 60 درصد ویژگی ها را کاهش داده و به ترتیب با دقت‌های3/99 ،6/99 و9/99درصد در مجموعه داده‌های ToN-IoT، UNSW-NB15 و IoTID20 ، موفق به تشخیص حملات شده است و بطور چشمگیری باعث کاهش نرخ هشدار کاذب حملات شده است. تحلیل آماری آزمون کراسکال واریس نشان داد که روش پیشنهادی نسبت به روش‌های مورد مقایسه با سرعت بیشتری همگرا می‌شود. | ||
| کلیدواژه‌ها | ||
| حملات؛ اینترنت اشیاء؛ انتخاب ویژگی؛ یادگیری عمیق | ||
| موضوعات | ||
| آسیب پذیری ها و تهدیدات فضای سایبری | ||
| عنوان مقاله [English] | ||
| Detecting attacks in Internet of Things infrastructure using improved chimpanzee algorithm and deep learning. | ||
| نویسندگان [English] | ||
| roya zareh farkhady1؛ kambiz majidzadeh2؛ mohammad masdari2؛ Ali Ghaffari3 | ||
| 1PhD student, Department of Computer Engineering, Faculty of Computer Science, Islamic Azad University, Urmia, Iran | ||
| 2Assistant Professor, Department of Computer Engineering, Faculty of Computer Science, Islamic Azad University, Urmia, Iran | ||
| 3Associate Professor, Department of Computer Engineering, Faculty of Computer Science, Islamic Azad University, Urmia, Iran | ||
| چکیده [English] | ||
| The increase in the number of Internet of Things devices, high speed, and large volume of generated data has led to network security issues and the identification of cyber attacks in these networks becoming one of the key challenges in this area. Intrusion detection systems have been proposed as a solution to tackle this problem. Proper selection of features in creating intrusion detection models can significantly increase detection accuracy. In this article, a binary algorithm and an improved chimpanzee algorithm have been designed for feature selection. The chimpanzee algorithm is designed for solving continuous problems and cannot be efficient in solving binary problems. It also suffers from local optima and slow exploration, exploitation, and convergence in this algorithm. Therefore, changes need to be made in this algorithm to solve binary problems. Hence، in this article an improved version of the chimpanzee algorithm for discrete problems and feature selection has been designed and implemented for intrusion detection and network-based attacks in Internet of Things networks. The proposed method reduces features by an average of 60 percent and successfully detects attacks with ac curacies of 99.3%, 99.6%, and 99.9% in the Ton-IoT، UNSW-NB15، and IoTID20 datasets, significantly reducing the false alarm rate of detected attacks. Statistical analysis using the Kruskal-Wallis test showed that the proposed method converges faster compared to the comparison methods. | ||
| کلیدواژه‌ها [English] | ||
| attacks, Internet of Things, feature selection, deep learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 17 |
||