مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 24 1 2026 5 12 Lightweight Hybrid Framework for IoT Security Using Optimized Random Forest and Adaptive Feature Selection in Edge-Cloud Architecture چارچوب ترکیبی سبک‌وزن برای امنیت اینترنت اشیا با استفاده از جنگل تصادفی بهینه و انتخاب ویژگی تطبیقی در معماری لبه-ابری 38 48 fa محسن اشرفی دانشگاه صنعتی شریف 2025 9 3 <p style="direction: ltr;">Security in Internet of Things (IoT) infrastructures has become a critical challenge due to the rising cyber threats, such as Denial-of-Service (DoS) attacks, data breaches, and device manipulation. IoT devices, as core components of these systems, are highly vulnerable to various attacks and anomalies due to their continuous network connectivity and handling of sensitive data, potentially leading to system disruptions, confidential data leaks, and financial or human losses. Despite significant advancements in IoT security, challenges such as the diversity and complexity of attacks, heterogeneous and voluminous sensor data, variations in normal system behavior, scarcity of high-quality training data, and the need for scalable methods continue to hinder accurate and timely attack detection. This study proposes a lightweight and intelligent hybrid framework based on an Optimized Random Forest (ORF) and adaptive feature selection to enhance IoT system security. The performance of various machine learning algorithms, including Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Artificial Neural Network (ANN), and ORF, was evaluated using the DS2OS dataset. Results demonstrated that all models achieved accuracies ranging from 0.9844 to 0.9948, with RF and ORF exhibiting superior performance at an accuracy of 0.9943, precision of 0.9943, recall of 0.9943, and an F1-score of 0.9937. Furthermore, integrating the Particle Swarm Optimization (PSO) algorithm reduced the false positive rate to 0.57%, while the Edge-Cloud architecture improved processing time by 40%. Compared to existing approaches, the proposed method reduced memory consumption by 29%, offering a scalable solution for IoT security.</p> <p>امنیت در زیرساخت&zwnj;های اینترنت اشیا (IoT) به دلیل افزایش تهدیدات سایبری، از مهم&zwnj;ترین چالش&zwnj;های این حوزه محسوب می&zwnj;شود. اتصال پیوسته دستگاه&zwnj;های IoT به شبکه و پردازش داده&zwnj;های حساس، آنها را در معرض حملاتی نظیر انکار سرویس، نفوذ و دستکاری عملکرد قرار می&zwnj;دهد که پیامدهایی چون اختلال در سیستم و افشای اطلاعات محرمانه را به دنبال دارد. از سوی دیگر، تنوع و پیچیدگی حملات، ناهمگونی داده&zwnj;های حسگرها و تغییرپذیری رفتار نرمال سیستم&zwnj;ها، تشخیص تهدیدات را دشوار ساخته است. در این پژوهش، چارچوبی ترکیبی و سبک&zwnj;وزن مبتنی بر جنگل تصادفی بهینه &nbsp;(ORF) و انتخاب ویژگی تطبیقی برای بهبود امنیت IoT ارائه می&zwnj;گردد. به منظور ارزیابی، عملکرد الگوریتم&zwnj;های مختلف یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، شبکه عصبی مصنوعی و ORF بر روی مجموعه&zwnj;داده OS 2DS بررسی شد. نتایج نشان داد که همه مدل&zwnj;ها به دقت بالای 98_/0 دست یافتند، در حالی که RF و ORF با امتیاز 1F معادل 9937_/0 عملکرد برتر داشتند. همچنین به&zwnj;کارگیری الگوریتم بهینه&zwnj;سازی ازدحام ذرات (PSO) موجب کاهش نرخ مثبت کاذب تا 57_/0% شد و بهره&zwnj;گیری از معماری لبه-ابری زمان پردازش را حدود 40% بهبود داد. روش پیشنهادی علاوه بر کاهش 29% مصرف حافظه، یک راهکار کارآمد و مقیاس&zwnj;پذیر برای مقابله با تهدیدات امنیتی در محیط&zwnj;های IoT ارائه می&zwnj;دهد.</p> http://ijece.org/ar/Article/Download/51262