آلة تعزيز الانحدار الخفيف مع تحسين المعلمات الفائقة لتحديد الوصول الضار في شبكة إنترنت الأشياء

في هذه الورقة، تم اقتراح تقنية متقدمة ومُحسّنة تُسمى آلة تعزيز الانحدار الخفيف (LGBM) لتحديد الأنشطة التدخلية في شبكة إنترنت الأشياء (IoT). المساهمات الرئيسية هي: i) تم تطوير نموذج LGBM مُحسّن لتحديد الأنشطة الضارة في شبكة إنترنت الأشياء؛ ii) تم اعتماد نهج تحسين تطوري فعال للعثور على المجموعة المثلى من المعلمات الفائقة لنموذج LGBM لمشكلة البحث المعنية. هنا، تم استخدام خوارزمية جينية (GA) مع اختيار بطولة متعددة الاتجاهات وعمليات تقاطع متجانسة لاستكشاف مساحة البحث عن المعلمات الفائقة بكفاءة؛ iii) وأخيرًا، تم تقييم أداء النموذج المقترح باستخدام تقنيات التعلم الجماعي الحديثة والنماذج المعتمدة على التعلم الآلي لتحقيق الأداء العام والكفاءة. تكشف نتائج المحاكاة أن النهج المقترح متفوق على الطرق الأخرى المدروسة ويثبت أنه نهج قوي للكشف عن التدخلات في بيئة إنترنت الأشياء.