Hibrit derin öğrenme tekniklerini kullanan yeni bir IoT güvenlik çerçevesi

Sistemleri, uygulamaları, veri yönetimini, işlemleri birbirine bağlayan Nesnelerin İnterneti bir ağ kurar, kuruluşları sürekli desteklerken aynı zamanda siber saldırılar için yeni yollar açar. IoT güvenliği şu anda yasadışı indirme ve virüs saldırıları nedeniyle ciddi şekilde tehdit altındadır ve bu saldırılar özel verileri tehlikeye atma ve bir şirketin itibarına ve finansmanına zarar verme potansiyeline sahiptir. Burada Nesnelerin İnterneti ortamlarında saldırıları tespit etmek ve önlemek için bir hibrit derin öğrenme optimizasyon stratejisini açıklıyoruz. Öncelikle ilgili yönleri belirleyip niceleyerek bir siber güvenlik uyarı sistemi dizini oluşturuyoruz ve ardından durumu değerlendiriyoruz. Verilerin boyutunu düşürerek ve gürültülü girdileri ortadan kaldırarak bir Saldırı Algılama Sisteminin (IDS) verimliliğini artırmak için biyolojik olarak ilham alan yaklaşımlar kullanıyoruz. IDS etkinliğini artıran bu tür yöntemlerden biri, hem tipik hem de anormal ağ tıkanıklığını tespit edebilen Gri Kurt Optimizasyonu (GWO) algoritmasıdır. Farklı ön işleme teknikleri kullanarak akıllı başlatma adımını geliştirdik ve bilgilendirici özelliklerin hemen orada olduğundan emin olduk. Büyük veri ortamında temel veri özelliklerini en aza indirmek için, Dizin bileşenlerini bulmak ve onaylamak için, saldırıları önlemek için simülasyonda derin öğrenme stratejisiyle Balina ve Gri Kurt optimizasyonunu entegre edin. TensorFlow, kopyalanan yazılımları sınıflandırmak için sistem yazılımı intihal tespitini kullanan derin bir sinir ağıdır. IoT'de siber güvenlik tehditlerini değerlendirmek için önerdiğimiz strateji, deneysel verilerle kanıtlandığı üzere, mevcut yaklaşımlardan daha iyi sınıflandırma sonuçları sunmaktadır. Bu nedenle, IoT'de etkili saldırı önleme için derin bir evrişimli ağ ile birlikte Balina ve Gri Kurt Optimizasyonunu (WGWO) kullanıyoruz.