プラリー・ドッグのハイブリッド化と物事のインターネット環境における微分進化を用いたサイバーセキュリティ検出のためのブロックチェーンを活用する

科学分野:

• コンピュータ科学
• サイバーセキュリティ
• 人工知能

背景:

• 物联网 (IoT) アプリケーションの集中型ストレージは,セキュリティと機密性に関する重大な懸念を提起しています.
• 従来のIoTセキュリティ対策は 進化するサイバー脅威に対して不十分です
• ブロックチェーンとAI,特にディープラーニングと機械学習は,次世代IoTセキュリティの有望なソリューションを提供します.

研究 の 目的:

• 強化されたIoTセキュリティのために,ゴールデン・シャカール・オプティマイゼーション (LBCCD-GJO) メソッドを使用して,サイバーセキュリティ検出のための新しいレバレッジ・ブロックチェーンを提案する.
• IoT環境におけるサイバー攻撃の検出と分類を改善する.
• IoTネットワークにおける従来のセキュリティ方法の限界を解決する.

主な方法:

• 最低-最高標準化を使用してデータの事前処理
• ゴールデン・ジャカル・オプティマイゼーション (GJO) モデルを用いた機能選択.
• Gated Recurrent Unit (GRU) テクニックを用いたサイバー攻撃の分類,Prairie Dog OptimizationとDifferential Evolution (PDO-DE) のハイブリッドによるハイパーパラメータ最適化.

主要な成果:

• 提案されたLBCCD-GJOメソッドは,TON_IoT_Train_Test_Networkデータセットで99.67%の高い実験的検証精度を示した.
• この方法論は 強力なサイバーセキュリティ検出のために ブロックチェーンとAIを効果的に統合しています
• サイバー攻撃の検出は,以前の技術と比較して大幅に改善されました.

結論:

• LBCCD-GJOメソッドは,IoTシステムにおけるサイバーセキュリティの検出に非常に効果的で正確なソリューションを提供します.
• ブロックチェーン,GJO,GRU,PDO-DEの統合は,IoTのセキュリティを強化するための強力な枠組みを提供します.
• この研究は,AIとブロックチェーン技術が重要なIoTアプリケーションを保護する可能性を検証しています.