بهبود پایداری تشخیص نفوذ مبتنی بر LSTM برای شبکه‌های اینترنت اشیای پزشکی (IoMT) با استفاده از الگوریتم بهینه‌سازی شاهین‌های هریس

نوع مقاله : علمی-پژوهشی

نویسندگان

گروه مهندسی کامپیوتر، دانشگاه پیام نور، تهران، ایران

چکیده

تشخیص نفوذ در اینترنت اشیاء پزشکی (IoMT) یک مسئله حیاتی ایمنی است، شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) توانایی بالایی در تشخیص حملات پیچیده شبکه ارائه می‌دهند. برای پرداختن به این چالش، این مطالعه یک الگوریتم بهینه‌سازی اصلاح‌شده شاهین های هریس (MHHO) را معرفی می‌کند که HHO استاندارد را با ادغام وزن‌دهی اینرسی پویا و کاوش مبتنی بر پرواز لوی بهبود می‌بخشد. این مکانیسم‌ها تعادل بین اکتشاف و استخراج را بهبود می‌بخشند، همگرایی زودرس را به طور مؤثر کاهش می‌دهند و رفتار جستجوی سراسری را تقویت می‌کنند.
MHHO پیشنهادی برای بهینه‌سازی تطبیقی ابرپارامترهای کلیدی یک مدل تشخیص نفوذ مبتنی بر LSTM به کار گرفته می‌شود و نیاز به تنظیم دستی یا روش‌های مرسوم مانند جستجوی شبکه را از بین می‌برد. علاوه بر این، از یک استراتژی تابع برازندگی قوی و متمرکز بر یادآوری برای به دست آوردن پیکربندی‌های ابرپارامتر استفاده می‌شود که قابلیت اطمینان مدل را بهبود می‌بخشد و حساسیت به عدم تعادل کلاس را کاهش می‌دهد. نتایج آزمایش روی مجموعه داده CICIoMT2024 در پنج اجرای مستقل نشان می‌دهد که هر دو مدل LSTM HHO و LSTM MHHO از نظر میانگین امتیاز F1 از LSTM پایه بهتر عمل می‌کنند، و مدل LSTM MHHO تغییرپذیری عملکرد بسیار کمتری را نشان می‌دهد. از آنجایی که بهینه‌سازی فقط یک بار در طول آموزش آفلاین انجام می‌شود، سیستم نهایی مستقر شده پیچیدگی استنتاج LSTM استاندارد را حفظ می‌کند. یافته‌ها نشان می‌دهد که چارچوب LSTM MHHO پیشنهادی، پایداری بهبود یافته، عملکرد قابل اعتماد و مناسب بودن عملی را برای محیط‌های IoMT با ایمنی حیاتی ارائه می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Improving Stability of LSTM-Based Intrusion Detection for IoMT Networks Using Harris Hawks Optimization

نویسندگان [English]

  • Hamid Zangiabadi Zadeh
  • Hadi Mohammadi
Department of Computer Engineering, Payame Noor University (PNU), Tehran, Iran.
چکیده [English]

Intrusion detection in the Internet of Medical Things (IoMT) is a safety critical task, as healthcare infrastructures depend on highly sensitive data and real time medical devices. While Long Short Term Memory (LSTM) networks offer strong capability in detecting complex network attacks, their performance is highly influenced by appropriate hyperparameter selection. To address this challenge, this study introduces a Modified Harris Hawks Optimization (MHHO) algorithm that enhances the standard HHO by integrating dynamic inertia weighting and Lévy flight based exploration. These mechanisms improve the balance between exploration and exploitation, effectively reducing premature convergence and strengthening global search behavior.
The proposed MHHO is employed to adaptively optimize key hyperparameters of an LSTM based intrusion detection model, eliminating the need for manual tuning or conventional methods such as grid search. Furthermore, a robust, recall focused fitness evaluation strategy is used to obtain hyperparameter configurations that improve model reliability and decrease sensitivity to class imbalance.
Experimental results on the CICIoMT2024 dataset across five independent runs show that both HHO LSTM and MHHO LSTM outperform the base LSTM in terms of average F1 score, with the MHHO LSTM model demonstrating significantly lower performance variability. Since the optimization is performed only once during offline training, the final deployed system maintains the standard LSTM inference complexity. These findings highlight that the proposed MHHO LSTM framework delivers enhanced stability, dependable performance, and practical suitability for safety critical IoMT environments.

کلیدواژه‌ها [English]

  • Internet of Medical Things (IoMT)
  • Deep Learning
  • Long Short-Term Memory (LSTM)
  • Harris Hawks Optimization (HHO)
  • Hyperparameter Optimization

مراجع

[1] R. M. Rajab, M. Abuhmida, I. Wilson, and R. P. Ward, “A Review of IoMT Security and Privacy related Frameworks,” European Conference on Cyber Warfare and Security, vol. 23, no. 1, pp. 733–743, Jun. 2024, doi: 10.34190/ECCWS.23.1.2239.
[2] G. Akar, S. Sahmoud, M. Onat, U. Cavusoglu, and E. Malondo, “L2D2: A Novel LSTM Model for Multi-Class Intrusion Detection Systems in the Era of IoMT,” IEEE Access, vol. 13, pp. 7002–7013, 2025, doi: 10.1109/ACCESS.2025.3526883.
[3] M. Esbati, M. Ahmadieh Khanesar, and A. Shahzadi, “A comparison between optimization algorithms for the tuning of fuzzy based controlled communication for networked controlled systems,” Tabriz Journal of Electrical Engineering, vol. 48, no. 4, pp. 1425–1436, Feb. 2019, Accessed: Dec. 25, 2025. [Online]. Available: https://tjee.tabrizu.ac.ir/article_8486_en.html
[4] L. Velasco, H. Guerrero, and A. Hospitaler, “A Literature Review and Critical Analysis of Metaheuristics Recently Developed,” Archives of Computational Methods in Engineering, vol. 31, no. 1, pp. 125–146, Jan. 2024, doi: 10.1007/S11831-023-09975-0/TABLES/9.
[5] A. A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, and H. Chen, “Harris hawks optimization: Algorithm and applications,” Future Generation Computer Systems, vol. 97, pp. 849–872, Aug. 2019, doi: 10.1016/J.FUTURE.2019.02.028.
[6] H. Liu and B. Lang, “Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey,” Applied Sciences 2019, Vol. 9, Page 4396, vol. 9, no. 20, p. 4396, Oct. 2019, doi: 10.3390/APP9204396.
[7] Y. Rbah et al., “A Comprehensive Survey on Deep Learning Approaches for Safeguarding the Internet of Medical Things from Malicious Intrusions,” 2024 International Conference on Circuit, Systems and Communication, ICCSC 2024, 2024, doi: 10.1109/ICCSC62074.2024.10616971.
[8] M. Shafiq, J. G. Choi, O. Cheikhrouhou, and H. Hamam, “Advances in IoMT for Healthcare Systems,” Sensors 2024, Vol. 24, Page 10, vol. 24, no. 1, p. 10, Dec. 2023, doi: 10.3390/S24010010.
[9] M. A. Uddin, N. H. Chu, and R. Rafeh, “A Hierarchical IDS for Zero-Day Attack Detection in Internet of Medical Things Networks,” Aug. 2025, Accessed: Sep. 30, 2025. [Online]. Available: https://arxiv.org/pdf/2508.10346v1
[10] S. Zhang, “Challenges in KNN Classification,” IEEE Trans Knowl Data Eng, vol. 34, no. 10, pp. 4663–4675, Oct. 2022, doi: 10.1109/TKDE.2021.3049250.
[11] H. Salehinejad, S. Sankar, J. Barfett, E. Colak, and S. Valaee, “Recent Advances in Recurrent Neural Networks,” Dec. 2017, Accessed: Oct. 20, 2025. [Online]. Available: https://arxiv.org/pdf/1801.01078
[12] M. Kaur and A. Mohta, “A Review of Deep Learning with Recurrent Neural Network,” Proceedings of the 2nd International Conference on Smart Systems and Inventive Technology, ICSSIT 2019, pp. 460–465, Nov. 2019, doi: 10.1109/ICSSIT46314.2019.8987837.
[13] J. Doménech, O. León, M. S. Siddiqui, and J. Pegueroles, “Evaluating and enhancing intrusion detection systems in IoMT: The importance of domain-specific datasets,” Internet of Things, vol. 32, p. 101631, 2025. https://doi.org/10.1016/j.iot.2025.101631
[14] Y. Rahmat-Samii, “Genetic algorithm (GA) and particle swarm optimization (PSO) in engineering electromagnetics,” Conference Proceedings - ICECom 2003: 17th International Conference on Applied Electromagnetics and Communications, pp. 1–5, 2003, doi: 10.1109/ICECOM.2003.1290941.
[15] M. Dorigo, M. Birattari, and T. Stutzle, “Ant colony optimization,” IEEE Comput Intell Mag, vol. 1, no. 4, pp. 28–39, Nov. 2006, doi: 10.1109/MCI.2006.329691.
[16] M. Juneja and S. K. Nagar, “Particle swarm optimization algorithm and its parameters: A review,” ICCCCM 2016 - 2nd IEEE International Conference on Control Computing Communication and Materials, May 2017, doi: 10.1109/ICCCCM.2016.7918233.
[17] S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey Wolf Optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, Mar. 2014, doi: 10.1016/J.ADVENGSOFT.2013.12.007.
[18] A. A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, and H. Chen, “Harris hawks optimization: Algorithm and applications,” Future Generation Computer Systems, vol. 97, pp. 849–872, Aug. 2019, doi: 10.1016/J.FUTURE.2019.02.028.
[19] M. Vasoujouybari, E. Ataie, and M. Bastam, “An MLP-based Deep Learning Approach for Detecting DDoS Attacks,” Tabriz Journal of Electrical Engineering, Original Article, doi: 10.22034/tjee.2022.15567.
[20] Y. Yu, X. Si, C. Hu, and J. Zhang, “A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures,” Neural Comput, vol. 31, no. 7, pp. 1235–1270, Jul. 2019, doi: 10.1162/NECO_A_01199.
[21] M. Shehab et al., “Harris Hawks Optimization Algorithm: Variants and Applications,” Archives of Computational Methods in Engineering 2022 29:7, vol. 29, no. 7, pp. 5579–5603, Jul. 2022, doi: 10.1007/S11831-022-09780-1.
[22] S. Dadkhah, E. C. P. Neto, R. Ferreira, R. C. Molokwu, S. Sadeghi, and A. A. Ghorbani, “CICIoMT2024: A benchmark dataset for multi-protocol security assessment in IoMT,” Internet of Things, vol. 28, p. 101351, Dec. 2024, doi: 10.1016/J.IOT.2024.101351.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار