DRaNNPSO : Un réseau de neurones aléatoire profond avec optimisation par essaim de particules pour la détection d'intrusions dans l'internet industriel des objets

L'Internet Industriel des Objets (IIoT) est une technologie émergente qui augmente l'efficacité et la productivité des environnements industriels en intégrant des capteurs intelligents et des dispositifs avec internet. Les avancées dans les technologies de communication ont introduit une connectivité stable et un taux de transfert de données plus élevé dans l'IIoT. Les dispositifs IIoT génèrent une quantité massive d'informations qui nécessitent des techniques de traitement de données intelligentes pour le développement de mécanismes de cybersécurité. À cet égard, l'apprentissage profond (DL) peut être un choix approprié. Cet article propose un schéma de détection d'attaques rapide et fiable basé sur un Réseau de Neurones Aléatoire Profond (DRaNN) pour les environnements IIoT. Le RaNN est une variante avancée du Réseau de Neurones Artificiel (ANN) traditionnel, avec une nature hautement distribuée et de meilleures capacités de généralisation. Pour atteindre une précision de détection d'attaques plus élevée, le RaNN proposé est optimisé en intégrant une optimisation hybride par essaim de particules (PSO) avec une programmation quadratique séquentielle (SQP). Le PSO activé par SQP permet au réseau de neurones de sélectionner des hyperparamètres optimaux. L'efficacité du schéma proposé est analysée à la fois dans des configurations binaires et multiclasses en menant des expériences approfondies sur trois nouvelles bases de données IIoT. Les résultats expérimentaux démontrent la performance prometteuse de la conception proposée pour toutes les bases de données.