增强灰狼优化（EGWO）与基于随机森林的物联网网络入侵检测机制

智能设备通过物联网（IoT）启用并在一个不间断的世界中连接。这些连接的设备在网络通信中对网络安全系统构成挑战，受到攻击。这些攻击继续威胁系统和最终用户的操作。因此，入侵检测系统（IDS）仍然是维护抵抗网络攻击的缺陷最常用的工具之一。物联网网络中动态和多维的威胁环境增加了传统IDS的挑战。本文的重点旨在寻找关键特征，以开发一个可靠且在计算上高效的IDS。因此，实现了用于特征选择（FS）的增强灰狼优化（EGWO）。EGWO的作用是从用于入侵检测的数据集中删除不必要的特征。为了测试新的FS技术并基于实现的准确性和特征滤波器决定最优特征集，最新的FS方法依赖于NF-ToN-IoT数据集。选定的特征通过使用随机森林（RF）算法进行评估，以结合多个决策树并创建准确的结果。与最新程序的实验结果表明，推荐的FS和分类方法在IDS中识别攻击的能力。结果分析显示，推荐的方法在特征优化（即43个特征中的23个）方面的表现比其他最新技术更有效，准确率高达99.93%且收敛性改善。