33387

امنيت پيشرفته اينترنت اشيا: رويكردي نوين با بهينه سازي پنگوئن ها و شبكه هاي عصبي كانولوشن

كارشناسي ارشد

مهندسي كامپيوتر _ نرم افزار

1401

1404/02/13

بهروز مينايي

فاقد مشاورر

فني و مهندسي

تشخيص نفوذ درشبكه هاي اينترنت اشيا (IoT) به دليل افزايش استفاده از دستگاه هاي هوشمند به هم پيوسته يك چالش حياتي است. روش هاي سنتي، مانند الگوريتم هاي مبتني بر قانون، اغلب با پيچيدگي و ماهيت در حال تكامل حملات دست و پنجه نرم مي كنند. يادگيري ماشيني، به ويژه تكنيك هاي يادگيري عميق و بهينه سازي، راه حل موثرتري را ارائه مي دهد. روش پيشنهادي دراين مطالعه بر انتخاب ويژگي با استفاده از الگوريتم پنگوئن متمركزاست كه به دليل اثربخشي آن در مديريت مجموعه داده هاي بزرگ شناخته شده است. سپس 22 ويژگي كليدي انتخاب شده با استفاده از يك شبكه عصبي كانولوشن (CNN) پردازش شدند كه عملكرد قوي در تشخيص الگوهاي مخرب نشان داد. اين سيستم به ميزان دقت بالاي 2.99 درصد در داده ي آموزشي و 0.99 درصد در داده ي آزمون دست يافت. اين تحقيق نشان مي دهد كه چگونه رويكردهاي مبتني بر يادگيري عميق و بهينه سازي مي توانند به طور قابل توجهي كارايي سيستم هاي تشخيص نفوذ در شبكه هاي اينترنت اشيا را افزايش دهند, بينش هاي ارزشمندي براي بهبود امنيت و ايجاد پايه اي براي مطالعات آينده دراين زمينه ارائه مي دهد.

1404/02/21

Enhanced IoT Security: A Novel Approach with Penguin Optimization and Convolutional Neural Networks

1/1/1900 12:00:00 AM

Intrusion detection in Internet of Things (IoT) networks is a critical challenge due to the rising use of interconnected smart devices. Traditional methods, such as rule-based algorithms, often struggle with the complexity and evolving nature of attacks. Machine learning, especially deep learning and optimization techniques, offers a more effective solution. The proposed method in this study focuses on feature selection using the Penguin algorithm, known for its effectiveness in handling large datasets. The selected 22 key features were then processed using a Convolutional Neural Network (CNN), which demonstrated strong performance in detecting malicious patterns. The system achieved high accuracy rates of 99.2% on the training data and 99.0% on the test data. This research highlights how deep learning and optimization-based approaches can significantly enhance the efficiency of intrusion detection systems in IoT networks, providing valuable insights for improving security and setting a foundation for future studies in the field.

امنيت اينترنت اشيا، بهينه سازي پنگوئن، شبكه هاي عصبي كانولوشن، تشخيص نفوذ

IoT Security, Penguin Optimization, Convolutional Neural Networks, intrusion Detection

hanan al -jadooa

behroz minaei