اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,336 |
| تعداد مقالات | 9,658 |
| تعداد مشاهده مقاله | 9,891,431 |
| تعداد دریافت فایل اصل مقاله | 6,090,383 |
سیستم امن اینترنت اشیا با استفاده از الگوریتم سنجاقک برای انتخاب ویژگی و تقویت گرادیان برای طبقه بندی | ||
| علوم و فناوریهای پدافند نوین | ||
| مقاله 3، دوره 15، شماره 2 - شماره پیاپی 56، شهریور 1403 | ||
| نوع مقاله: کامپیوتر - داده کاوی | ||
| نویسنده | ||
| علی اکبر تجری سیاه مرزکوه* | ||
| استادیار،دانشگاه گلستان، گرگان، ایران | ||
| تاریخ دریافت: 28 اردیبهشت 1403، تاریخ بازنگری: 13 خرداد 1403، تاریخ پذیرش: 07 مرداد 1403 | ||
| چکیده | ||
| با پیشرفت روزافزون فن آوری اینترنت اشیا و لزوم برقراری ارتباط امن بین دستگاه های متصل به یکدیگر، موضوع امنیت داده های مبادله شده به یک مساله ی حیاتی تبدیل شده است. مهاجمان و هکرهای سایبری با نفوذ به سیستم‌ها و دستکاری آنها همواره سعی در ایجاد مشکل در شبکه‌های اینترنت اشیا دارند. از این‌رو، تحقیقات زیادی برای مقابله با این تهدیدات توسط بسیاری از محققان انجام شده است. دقت و زمان اجرای روش‌های موجود بهینه نیست و نیاز به یک روش ترکیبی که علاوه‌بر افزایش دقت، زمان مورد نیاز را نیز کاهش دهد امری ضروری به‌نظر می‌رسد. در این مقاله، روشی ترکیبی با استفاده از الگوریتم سنجاقک و تقویت گرادیان برای بهبود دقت سیستم اینترنت اشیا ارائه شده است. الگوریتم سنجاقک با بهبود راه‌حل‌های جدید و افزایش تنوع جمعیت منجر به حذف ویژگی‌های غیر مؤثر می‌شود که این امر، داده‌ها را برای دستیابی به دقت‌های بالا در طبقه-بندی آماده می‌کند، به‌طوری‌که آن دسته از ویژگی‌هایی که منجر به کاهش دقت ظبقه‌بندی می‌شوند کنار گذاشته می‌شوند. پس از آن با استفاده از تقویت گرادیان که عاملی با سرعت و دقت بالا برای تشخیص (طبقه‌بندی) است، عملیات طبقه‌بندی داده‌ها که فاز اصلی تشخیص حمله است انجام می‌شود. نتایج شبیه‌سازی نشان می‌دهد که دقت طبقه‌بندی در حالت دودویی و چندکلاسه به‌ترتیب برابر با 994/99 درصد و 992/99 درصد است که نشان‌دهنده‌ی برتری روش پیشنهادی نسبت به سایر روش‌های قبلی ارائه‌شده است. | ||
| کلیدواژه‌ها | ||
| تشخیص نفوذ؛ الگوریتم سنجاقک؛ یادگیری ماشین؛ انتخاب ویژگی؛ گرادیان تقویتی | ||
| عنوان مقاله [English] | ||
| Internet of Things Secure System Using Dragonfly Algorithm for Feature Selection and Gradient Boosting for Classification | ||
| نویسندگان [English] | ||
| Aliakbar Tajari Siahmarzkooh | ||
| Assistant Professor, Golestan University, Gorgan, Iran | ||
| چکیده [English] | ||
| With the increasing progress of Internet of Things technology and the need to establish secure communication between devices connected to each other, the security of exchanged data has become a critical issue. Attackers and cyber hackers always try to create problems in Internet of Things networks by infiltrating systems and manipulating them. Therefore, a lot of research has been done by many researchers to deal with these threats. The accuracy and execution time of the existing methods are not optimal, and the need for a combined method that, in addition to increasing the accuracy, also reduces the required time seems essential. In this paper, a hybrid method using the dragonfly algorithm and gradient boosting is presented to improve the accuracy of the Internet of Things system. The dragonfly algorithm leads to the elimination of ineffective features by improving new solutions and increasing population diversity, which prepares the data to achieve high accuracy in classification. So that those features that lead to a decrease in classification accuracy are left out. After that, by using gradient boosting, which is a factor with high speed and accuracy for detection (classification), the data classification operation is performed, which is the main phase of attack detection. The simulation results show that the classification accuracy in binary and multi-class mode is equal to 99.994% and 99.992%, respectively, which indicates the superiority of the proposed method over other previous methods. | ||
| کلیدواژه‌ها [English] | ||
| Intrusion Detection, Dragonfly Algorithm, Machine Learning, Feature Selection, Gradient Boosting | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||