Key points are not available for this paper at this time.
Die Verwaltung physischer Objekte am Rand des Netzwerks wird durch das Internet der Dinge (IoT) möglich, was das menschliche Leben revolutioniert. Offene Angriffe und unautorisierter Zugriff sind mit diesen IoT-Geräten möglich, die Daten austauschen, um Fernzugriff zu ermöglichen. Diese Angriffe werden oft durch Methoden zur Intrusionserkennung erkannt, obwohl die Effektivität und Genauigkeit dieser Systeme suboptimal ist. Dieser Artikel schlägt einen neuen stimmenden Klassifikator vor, der aus einem Ensemble von maschinellen Lernmodellen besteht, die mit metaheuristischer Optimierung trainiert und optimiert wurden. Der verwendete metaheuristische Optimierer ist eine neue Version des Walfisch-Optimierungsalgorithmus (WOA), der vom Dipper Throated Optimizer (DTO) geleitet wird, um den Explorationsprozess des traditionellen WOA-Optimierers zu verbessern. Der vorgeschlagene stimmende Klassifikator kategorisiert die Netzwerkeindringungen robust und effizient. Um den vorgeschlagenen Ansatz zu bewerten, wird ein Datensatz aus IoT-Geräten verwendet, um die Effizienz des vorgeschlagenen Algorithmus zur binären Angriffskategorisierung aufzuzeichnen. Die Datensatzaufzeichnungen werden mit der lokale-sensitiven Hashing (LSH) und der Synthetic Minority Oversampling Technique (SMOTE) balanciert. Die Bewertung der erzielten Ergebnisse erfolgt in Form von statistischer Analyse und visuellen Diagrammen, um die Effektivität, Stabilität und Signifikanz des vorgeschlagenen Ansatzes nachzuweisen. Die erzielten Ergebnisse bestätigten die Überlegenheit des vorgeschlagenen Algorithmus für die Aufgabe der Netzwerkeindringungserkennung.
Khafaga et al. (Mon,) untersuchten diese Frage.