DRaNNPSO: 工業用IoTにおける侵入検出のための粒子群最適化を用いた深層ランダムニューラルネットワーク

工業用モノのインターネット（IIoT）は、インターネットとスマートセンサーおよびデバイスを統合することにより、工業環境の効率と生産性を向上させる急速に新興している技術です。通信技術の進歩により、IIoTにおいて安定した接続性と高いデータ転送速度がもたらされました。IIoTデバイスは膨大な情報を生成し、それをサイバーセキュリティメカニズムの開発のためのインテリジェントなデータ処理技術が必要です。この点で、深層学習（DL）は適切な選択肢となります。本論文では、IIoT環境向けの高速かつ信頼性の高い攻撃検出方式である深層ランダムニューラルネットワーク（DRaNN）を提案します。RaNNは、伝統的な人工ニューラルネットワーク（ANN）の高度に分散した自然とより良い一般化能力を備えた進化版です。より高い攻撃検出精度を達成するために、提案されたRaNNは、順次二次計画（SQP）を用いたハイブリッド粒子群最適化（PSO）を組み込んで最適に訓練されます。SQP対応PSOは、ニューラルネットワークが最適なハイパーパラメータを選択するのを助けます。提案された方式の有効性は、3つの新しいIIoTデータセットに関する広範な実験を実施することによって、二項分類および多クラス構成の両方で分析されています。実験結果は、全データセットに対して提案された設計の有望な性能を示しています。