5G IoT Intrusion Detection Using a Combination of Multi-Layer Perceptron Neural Network and Grasshopper Optimization Algorithm
Dissertation
Aqeel Hussein Hachim
Electrical and Computer Engineering
1402
79p.
cd
M.S.
computer engineering, majoring in software
1402/04/11
In recent years, the widespread use of 5G networks has led to a critical need for effective intrusion detection methods. Intrusion is a malicious attack on the 5G network and can seriously damage it and lead to the loss of sensitive data and even the collapse of the entire network. Therefore, in this thesis, a new intrusion detection method for 5G networks is proposed using multilayer perceptron neural network trained with grasshopper optimization algorithm and dimension reduction method of principal component analysis. The AWID dataset was used to evaluate this method and it was shown that the proposed method has achieved a very good performance in detecting hand penetration and has achieved a significant accuracy of 99.72% for the training dataset and 99.67% for the test dataset. This result shows the high efficiency of the proposed method in detecting intrusion attacks in 5G networks. The use of the principal component analysis method to reduce the dimensions of the complexity of the data set, and the use of the grasshopper optimization algorithm for multi-layer perceptron neural training, has improved the accuracy of the classification results. This new approach has provided a robust and reliable solution to detect intrusion attacks in 5G networks.
در سال های اخیر، استفاده گسترده از شبکه های 5G منجر به نیاز اساسی به روش های موثر تشخیص نفوذ شده است. Intrusion یک حمله مخرب به شبکه 5G است و می تواند آسیب جدی به آن وارد کند و منجر به از دست رفتن داده های حساس و حتی فروپاشی کل شبکه شود. بنابراین، در این پایان نامه، یک روش جدید تشخیص نفوذ برای شبکه های 5G با استفاده از شبکه عصبی پرسپترون چند لایه آموزش دیده با الگوریتم بهینه سازی ملخ و روش کاهش ابعاد تحلیل مولفه اصلی پیشنهاد شده است. برای ارزیابی این روش از مجموعه داده AWID استفاده شد و نشان داده شد که روش پیشنهادی عملکرد بسیار خوبی در تشخیص نفوذ دست به دست آورده است و دقت قابل توجهی 99.72 درصد برای مجموعه داده آموزشی و 99.67 درصد برای مجموعه داده آزمایشی به دست آورده است. این نتیجه کارایی بالای روش پیشنهادی را در تشخیص حملات نفوذ در شبکه های 5G نشان می دهد. استفاده از روش تحلیل مولفه اصلی برای کاهش ابعاد پیچیدگی مجموعه داده ها و استفاده از الگوریتم بهینه سازی ملخ برای آموزش عصبی پرسپترون چند لایه، دقت نتایج طبقه بندی را بهبود بخشیده است. این رویکرد جدید راه حلی قوی و قابل اعتماد برای شناسایی حملات نفوذ در شبکه های 5G ارائه کرده است.
تشخیص نفوذ اینترنت اشیاء 5G با استفاده از ترکیبی از شبکه عصبی پرسپترون و الگوریتم بهینه سازی ملخ (GOA)