دوره 22، شماره 2 - ( 6-1404 )
جلد 22 شماره 2 صفحات 64-43 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
sarhadi Z, khazaiepoor M. A detection system for smart cities Using a neural network and Sailfish Optimizer algorithm. JSDP 2025; 22 (2) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1378-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1378-fa.html
سرحدی زهرا، خزاعی پور مهدی. یک سیستم تشخیص نفوذ برای شهرهای هوشمندبا استفاده از شبکه عصبی و الگوریتم اره ماهی. پردازش علائم و داده‌ها. 1404; 22 (2) :43-64
دانشگاه آزاد اسلامی ، بیرجند، ایران
چکیده: (29 مشاهده)
اینترنت اشیاء یک شبکه بزرگ از اشیاء هوشمند است که دارای تعدادی زیادی شی متصل به اینترنت است. یکی از کاربردهای شبکه IOT، استفاده از این شبکه در شهرهای هوشمند است. در شهرهای هوشمند همه اجزای شهر مانند سیستم حمل و نقل، شبکه برق، شبکه بهداشت و غیره به کمک IOT به هم متصل شدهاند. یکی از چالشهای مهم شبکه IOT یاء، وقوع حملات بر علیه این شبکه است و باعث میشود تا سرویسهای شبکه دچار اختلال شوند. برای تشخیص حملات در IOT تلاش میشود از سیستمهای تشخیص نفوذ به شبکه استفاده شود. نقش یک سیستم تشخیص نفوذ به شبکه IOT آن است که ترافیک شبکه را مورد تجزیه و تحلیل قرار دهد و ترافیک غیر نرمال را تشخیص دهد و هشدار لازم را به دیوار آتش ارسال نماید. یکی از روشهای تشخیص حملات به شبکه IOT و شهرهای هوشمند استفاده از روشهای یادگیری ماشین مانند ماشین بردار پشتیبان است. یک روش برای کاهش دادن خطای ماشین بردار پشتیبان در تشخیص حملات به شبکه IOT و شهر هوشمند، استفاده از روشهای انتخاب ویژگی و بهینهسازی پارامترهای آن است. با انتخاب ویژگی و بهینهسازی پارامترهای ماشین بردار پشتیبان، خطای تشخیص حملات در آن کاهش داده میشود. در این مقاله برای تشخیص حملات به شهر هوشمند یک روش تشخیص نفوذ با شبکه عصبی مصنوعی و الگوریتم بهینهسازی اره ماهی ارایه میشود. روش پیشنهادی دارای سه فاز مختلف متعادلسازی مجموعه داده با تئوری بازی و شبکه GAN، انتخاب ویژگی با الگوریتم اره ماهی و بهینهسازی پارامترهای SVM با الگورریتم بهینهسازی محاسبات ریاضی است. نقش شبکه عصبی چند لایه در روش پیشنهادی ارزیابی بردارهای ویژگی و نقش ماشین بردار پشتیبان، طبقهبندی ترافیک شبکه به دو دسته حمله و عادی است. ارزیابی و آزمایشات انجام شده در نرمافزار متلب و روی مجموعه داده NSL-KDD نشان میدهد دقت، حساسیت و صحت روش پیشنهادی به ترتیب برابر 99.12%، 98.92% و 98.96% است و ماشین بردار پشتیبان با کرنل گوسین دارای دقت بیشتری در تشخیص نفوذ است. نتایج آزمایشات نشان داد روش پیشنهادی نسبت به الگوریتمهای فراابتکاری از جمله بهینهسازی گرگ خاکستری و الگوریتم ژنتیک دارای دقت بیشتری در تشخیص حملات به شهر هوشمند است.
شماره‌ی مقاله: 3
واژه‌های کلیدی: اینترنت اشیاء، شهرهای هوشمند، سیستم تشخیص نفوذ، یادگیری ماشین، الگوریتم اره ماهی، انتخاب ویژگی
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1402/2/7 | پذیرش: 1404/4/30 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
دریافت: 1402/2/7 | پذیرش: 1404/4/30 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
