خوارزمية تحسين أوسبري المدمجة مع الشبكات العصبية البيانية لاكتشاف التسلل في شبكات الاستشعار اللاسلكية

مع تزايد تعقيد الهجمات السيبرانية بشكل هائل، ثبت أن تشكيل نظام فعال لاكتشاف التسلل (IDS) أمر بالغ الأهمية لضمان الأمان عبر شبكات الاستشعار اللاسلكية (WSNs). الوظيفة الرئيسية لنظام IDS هي منع أجهزة الاستشعار اللاسلكية من الهجمات المشتبه بها. تواجه أنظمة IDS التقليدية العديد من التحديات، بما في ذلك القدرة المحدودة، وعدم كفاية تحديد الهجمات، واكتشاف معدلات إنذار كاذبة عالية، مما يؤدي إلى معالجة بيانات معقدة وتحديد الأنماط. للتغلب على هذه القضايا، تم اقتراح طريقة جديدة تدمج خوارزمية تحسين أوسبري (OOA) والشبكات العصبية البيانية (GNN) المشار إليها باسم OOA-GNN لتعزيز أمان WSN من خلال اكتشاف فئات مختلفة من الهجمات بكفاءة. النموذج المقترح يدمج إطار تعلم عميق يعتمد على هياكل رسومية للحصول على علاقات معقدة ويتم ضبط المعلمات الفائقة لـ GNN بواسطة OOA لتحسين أداء الكشف. لتقييم النموذج المقترح، تم اختيار مجموعة بيانات شبكات الاستشعار اللاسلكية (WSN-DS) التي تتميز بعدم توازن طبيعي. لحل خصائص عدم التوازن، يتم استخدام تقنية زيادة العينة للأقليات الاصطناعية (SMOTE) على مجموعة التدريب. إطار عمل OOA-GNN، من خلال التمثيل الرسومي لبيانات WSN، يجمع بنجاح أنماط الشبكة. الدقة البالغة 99.68% التي تم الحصول عليها من خلال OOA-GNN تتفوق على المصنفات التقليدية مثل AdaBoost، نموذج تعزيز الانحدار (GBM)، تعزيز الانحدار الفائق (XGBoost)، خوارزمية تحسين الجوار الأقرب (KNN-AOA)، وخوارزمية تحسين سرب الجسيمات للجوار الأقرب (KNN-PSO). توضح تقييمات مقاييس الأداء القياسية أن نموذج OOA-GNN المقترح يتفوق على المناهج التقليدية من حيث انخفاض معدل الإيجابيات الكاذبة مع التكيف مع تقلبات الشبكة. يُعزز النموذج المقترح موثوقية الشبكة، ويحسن دقة النموذج في كشف الهجمات، ويقلل من حالات الإنذار الكاذب من خلال دمج قدرات ضبط المعلمات لـ OOA مع إطار الشبكات العصبية القائم على الرسوم البيانية في عمليات WSN في الوقت الحقيقي.