Signal and Data Processing

fa یک سامانه تشخیص نفوذ برای شهرهای هوشمندبا استفاده از شبکه عصبی و الگوریتم اره‌ماهی A detection system for smart cities Using a neural network and Sailfish Optimizer algorithm مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">اینترنت اشیا (IoT) شبکه‌ای گسترده از اشیای هوشمند متصل به اینترنت است که در شهرهای هوشمند برای یک‌پارچه‌سازی سامانه‌هایی مانند حمل‌ونقل، برق و بهداشت کاربرد دارد. یکی از چالش‌های مهم در شبکه‌های IoT حملات سایبری است که موجب اختلال در سرویس‌ها می‌شود. برای مقابله با این تهدیدات استفاده از سامانه‌های تشخیص نفوذ مبتنی بر یادگیری ماشین ضروری است. در این مقاله روشی ترکیبی برای تشخیص حملات به شهرهای هوشمند ارائه شده‌است که شامل سه مرحله است: ۱) متعادل‌سازی داده‌ها با تئوری بازی و شبکه GAN، ۲) انتخاب ویژگی با الگوریتم بهینه‌سازی اره‌ماهی، ۳) تنظیم پارامترهای ماشین بردار پشتیبان (SVM) با الگوریتم‌های محاسبات ریاضی. شبکه عصبی چندلایه برای تحلیل ویژگی‌ها و SVM برای طبقه‌بندی ترافیک استفاده شده‌اند. نتایج آزمایش‌ها روی مجموعه‌داده NSL-KDD در نرم‌افزار MATLAB، دقت 99.12 درصد، حساسیت 98.92 درصد و صحت 98.96 درصد را نشان می‌دهد. روش پیشنهادی نسبت به الگوریتم‌های گرگ خاکستری و ژنتیک عملکرد دقیق‌تری دارد.</div> <div style="text-align: justify;">“The Internet of Things” is an extensive network of intelligent objects that has a large number of objects connected to the Internet. One of the applications of the IOT network is in smart cities. In smart cities, all parts of the city, such as the transportation system, electricity network, health network, etc., are interconnected with IOT support. One of the critical challenges of the IOT network is the occurrence of attacks against this network, which causes the network services to be disrupted. Intrusion detection systems are used to detect attacks on the IOT. The role of an IoT network intrusion detection system is to analyze the network traffic, detect abnormal traffic, and send necessary warning to the firewall. One of the methods of detecting attacks on the IOT and smart cities is to use machine learning methods such as support vector machines(SVM). One method to reduce the error of the support vector machine in detecting attacks on the IOT network and the smart city is to use feature selection methods and optimize its parameters. By selecting the feature and optimizing the parameters of the support vector machine, the attack detection error will be reduced. In this article, an intrusion detection method with an artificial neural network and a swordfish optimization algorithm is presented to detect attacks on the smart city. The proposed method includes three different phases: data set balancing with game theory and GAN network, feature selection with Sailfish Optimizer algorithm, and optimization of SVM parameters with Archimedes optimization algorithm (AOA) algorithm. The role of a multilayer neural network in the proposed method of evaluating feature vectors and the role of the support vector machine is to classify network traffic into two categories: attack and normal. The evaluation and tests performed in MATLAB software and on the NSL-KDD data set show that the accuracy, sensitivity, and precision of the proposed method are 99.12%, 98.92%, and 98.96%, respectively, and the support vector machine with Gaussian kernel seems to be more accurate. The results of the experiments showed that the proposed method is more accurate than meta-heuristic algorithms, such as gray wolf optimization and genetic algorithms in detecting attacks on the smart city</div> اینترنت اشیا, شهرهای هوشمند, سامانه تشخیص نفوذ, یادگیری ماشین, الگوریتم اره‌ماهی , انتخاب ویژگی Internet of Things, Smart Cities, Intrusion Detection System, Machine Learning, Sailfish Optimizer Algorithm, Feature Selection 43 64 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2432-1&slc_lang=fa&sid=1 ZAHRA sarhadi زهرا سرحدی z_sarhadi72@yahoo.com 100319475328460013716 100319475328460013716 Yes PhD student, Computer Engineering Department, Technical and Engineering Faculty, Birjand Branch, Islamic Azad University, Birjand, Iran دانشجوی دکترا، گروه مهندسی کامپیوتر، دانشکده فنی‌ومهندسی، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران mehdi khazaiepoor مهدی خزاعی پور mkhazaiepoor@gmail.com 100319475328460013717 100319475328460013717 No Assistant Professor, Department of Computer Engineering, Technical and Engineering Faculty, Birjand Branch, Islamic Azad University, Birjand, Iran استادیار، گروه مهندسی کامپیوتر، دانشکده فنی‌ومهندسی، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران