Peningkatan keamanan WSN-IoT berbasis algoritma Firefly dengan machine learning untuk deteksi intrusi

Penelitian ini mengusulkan teknik Firefly Algorithm dan machine learning (FA-ML) untuk deteksi intrusi pada WSN-IoT, mencapai akurasi 99,34% pada dataset NSL-KDD, mengungguli KNN-PSO dan XGBoost. Metode ini menggabungkan klasifikasi SVM dengan Grey Wolf Optimizer untuk penyetelan parameter, menawarkan solusi keamanan yang tangguh untuk sistem yang saling terhubung.

M. Karthikeyan; D. Manimegalai; Karthikeyan Rajagopal· Scientific Reports· 2024· DOI 10.1038/s41598-023-50554-x

Masalah inti

Integrasi Wireless Sensor Networks (WSN) dengan Internet of Things (IoT) memungkinkan pertukaran, pengumpulan, dan pemrosesan data secara kolaboratif untuk meningkatkan analisis data dan otomatisasi demi pengambilan keputusan yang lebih baik. Namun, mengamankan sistem yang saling terhubung tersebut sangat penting untuk memastikan keselamatan dan keandalan. Penelitian ini menjawab tantangan tersebut dengan memanfaatkan machine learning dan Firefly Algorithm (FA) secara sinergis untuk meningkatkan deteksi intrusi dalam lanskap WSN-IoT. Kontribusinya ada dua: pertama, teknik FA-ML yang diusulkan secara signifikan meningkatkan akurasi deteksi intrusi; kedua, penelitian ini memperkenalkan dimensi baru dalam optimasi berorientasi keamanan dengan menggabungkan algoritma bio-inspired dengan machine learning. Implikasinya mencakup perlindungan infrastruktur kritis, otomatisasi industri, dan lainnya, menandai langkah penting menuju langkah keamanan yang tangguh dan cerdas untuk teknologi yang digerakkan IoT.

Metode FA-ML menggunakan support vector machine (SVM) untuk klasifikasi, dengan penyetelan parameter dilakukan menggunakan algoritma Grey Wolf Optimizer (GWO). Firefly Algorithm digunakan untuk mengoptimalkan parameter SVM, meningkatkan kinerja klasifikasi. Evaluasi eksperimental dilakukan menggunakan dataset NSL-KDD, tolok ukur standar untuk deteksi intrusi. Kombinasi FA dan GWO bertujuan untuk menelusuri ruang parameter secara efisien dan meningkatkan akurasi deteksi. Metodologi ini mengintegrasikan komponen-komponen tersebut ke dalam kerangka kerja yang kohesif untuk deteksi intrusi di lingkungan WSN-IoT.

Pendahuluan

Integrasi Wireless Sensor Networks (WSN) dengan Internet of Things (IoT) memungkinkan pertukaran, pengumpulan, dan pemrosesan data secara kolaboratif untuk meningkatkan analisis data dan otomatisasi demi pengambilan keputusan yang lebih baik. Namun, mengamankan sistem yang saling terhubung tersebut sangat penting untuk memastikan keselamatan dan keandalan. Penelitian ini menjawab tantangan tersebut dengan memanfaatkan machine learning dan Firefly Algorithm (FA) secara sinergis untuk meningkatkan deteksi intrusi dalam lanskap WSN-IoT. Kontribusinya ada dua: pertama, teknik FA-ML yang diusulkan secara signifikan meningkatkan akurasi deteksi intrusi; kedua, penelitian ini memperkenalkan dimensi baru dalam optimasi berorientasi keamanan dengan menggabungkan algoritma bio-inspired dengan machine learning. Implikasinya mencakup perlindungan infrastruktur kritis, otomatisasi industri, dan lainnya, menandai langkah penting menuju langkah keamanan yang tangguh dan cerdas untuk teknologi yang digerakkan IoT.

Temuan ini memvalidasi potensi teknik FA-ML sebagai solusi keamanan aktif untuk sistem WSN-IoT. Dengan memanfaatkan machine learning dan Firefly Algorithm, metode ini memperkuat kemampuan deteksi intrusi. Peningkatan akurasi yang signifikan dibandingkan metode yang ada menyoroti efektivitas penggabungan optimasi bio-inspired dengan machine learning. Penelitian ini memajukan state of the art dalam keamanan IoT dan WSN, menawarkan pendekatan tangguh yang dapat diterapkan di berbagai sektor di mana perlindungan sistem yang saling terhubung sangatlah penting.

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…