El desarrollo de un modelo de detección de intrusos de aprendizaje profundo optimizado que podría ejecutarse en dispositivos IoT con soporte de hardware limitado tiene varias ventajas, como la reducción de la energía de comunicación, la reducción de la latencia y la protección de la privacidad de los datos. Motivado por estos beneficios, esta investigación tiene como objetivo diseñar un modelo profundo de autocodificador liviano que tenga una arquitectura poco profunda con un pequeño número de características de entrada y algunas neuronas ocultas. Para lograr este objetivo, se utiliza un optimizador eficiente de dos capas para desarrollar un modelo de autocodificador profundo liviano mediante la selección simultánea de las características de entrada, las instancias de entrenamiento y el número de neuronas ocultas. El modelo profundo optimizado se construye guiado tanto por la precisión de un clasificador de K vecinos más cercanos (KNN) como por la complejidad del modelo de autocodificador. Para evaluar el rendimiento del modelo optimizado propuesto, se ha aplicado para el conjunto de datos de detección de intrusiones N-baiot. Los resultados informados mostraron que el modelo propuesto logró una precisión de detección de anomalías del 99% con un modelo de autocodificador liviano con características de entrada promedio de alrededor de 30 y neuronas ocultas de salida de solo 2. Además, el optimizador de dos capas propuesto fue capaz de superar a varios optimizadores como el algoritmo de optimización aritmética (AOA), la optimización de enjambre de partículas (PSO) y la optimización de enjambre de partículas meméticas basada en el aprendizaje de refuerzo (RLMPSO).

Le développement d'un modèle de détection d'intrusion d'apprentissage profond optimisé qui pourrait être exécuté sur des appareils IoT avec un support matériel limité présente plusieurs avantages, tels que la réduction de l'énergie de communication, la réduction de la latence et la protection de la confidentialité des données. Motivée par ces avantages, cette recherche vise à concevoir un modèle profond d'auto-encodeur léger qui a une architecture peu profonde avec un petit nombre de caractéristiques d'entrée et quelques neurones cachés. Pour atteindre cet objectif, un optimiseur à deux couches efficace est utilisé pour faire évoluer un modèle d'auto-encodeur profond léger en effectuant une sélection simultanée pour les caractéristiques d'entrée, les instances d'entraînement et le nombre de neurones cachés. Le modèle profond optimisé est construit en fonction à la fois de la précision d'un classificateur de K plus proche voisin (KNN) et de la complexité du modèle d'auto-encodeur. Pour évaluer la performance du modèle optimisé proposé, il a été appliqué pour l'ensemble de données de détection d'intrusion N-baiot. Les résultats rapportés ont montré que le modèle proposé atteignait une précision de détection d'anomalie de 99 % avec un modèle d'auto-encodeur léger avec des caractéristiques d'entrée moyennes d'environ 30 et des neurones cachés de sortie de 2 seulement. En outre, l'optimiseur à deux couches proposé a pu surpasser plusieurs optimiseurs tels que l'algorithme d'optimisation arithmétique (AOA), l'optimisation d'essaim de particules (PSO) et l'optimisation d'essaim de particules mémétiques basée sur l'apprentissage par renforcement (RLMPSO).

The development of an optimized deep learning intruder detection model that could be executed on IoT devices with limited hardware support has several advantages, such as the reduction of communication energy, lowering latency, and protecting data privacy. Motivated by these benefits, this research aims to design a lightweight autoencoder deep model that has a shallow architecture with a small number of input features and a few hidden neurons. To achieve this objective, an efficient two-layer optimizer is used to evolve a lightweight deep autoencoder model by performing simultaneous selection for the input features, the training instances, and the number of hidden neurons. The optimized deep model is constructed guided by both the accuracy of a K-nearest neighbor (KNN) classifier and the complexity of the autoencoder model. To evaluate the performance of the proposed optimized model, it has been applied for the N-baiot intrusion detection dataset. Reported results showed that the proposed model achieved anomaly detection accuracy of 99% with a lightweight autoencoder model with on average input features around 30 and output hidden neurons of 2 only. In addition, the proposed two-layers optimizer was able to outperform several optimizers such as Arithmetic Optimization Algorithm (AOA), Particle Swarm Optimization (PSO), and Reinforcement Learning-based Memetic Particle Swarm Optimization (RLMPSO).

إن تطوير نموذج محسن لاكتشاف المتسللين للتعلم العميق والذي يمكن تنفيذه على أجهزة إنترنت الأشياء مع دعم محدود للأجهزة له العديد من المزايا، مثل تقليل طاقة الاتصال وخفض زمن الوصول وحماية خصوصية البيانات. بدافع من هذه الفوائد، يهدف هذا البحث إلى تصميم نموذج عميق للتشفير الآلي خفيف الوزن يحتوي على بنية ضحلة مع عدد صغير من ميزات الإدخال وعدد قليل من الخلايا العصبية المخفية. لتحقيق هذا الهدف، يتم استخدام محسن فعال من طبقتين لتطوير نموذج ترميز تلقائي عميق خفيف الوزن من خلال إجراء اختيار متزامن لميزات الإدخال وحالات التدريب وعدد الخلايا العصبية المخفية. تم بناء النموذج العميق المحسن بناءً على دقة مصنف الجار الأقرب إلى K (KNN) وتعقيد نموذج الترميز التلقائي. لتقييم أداء النموذج الأمثل المقترح، تم تطبيقه على مجموعة بيانات كشف التسلل N - baiot. أظهرت النتائج المبلغ عنها أن النموذج المقترح حقق دقة اكتشاف الشذوذ بنسبة 99 ٪ باستخدام نموذج ترميز تلقائي خفيف الوزن مع ميزات إدخال في المتوسط حوالي 30 وخلايا عصبية مخفية ناتجة من 2 فقط. بالإضافة إلى ذلك، تمكن المُحسِّن المقترح المكون من طبقتين من التفوق على العديد من المُحسِّنات مثل خوارزمية التحسين الحسابي (AOA)، وتحسين سرب الجسيمات (PSO)، وتحسين سرب الجسيمات الميمية القائم على التعلم المعزز (RLMPSO).