Apadana موسسه آموزش عالی آپادانا Journal of Apadana ........... نشریه مطالعات مهندسی کامپیوتر آپادانا - Optimized AE-LSTM Technique with Grey Wolf Optimization for Effective Network Anomaly Detection in IoT Computing تکنیک AE-LSTM بهینه سازی شده با GREY WOLF OPTIMIZATION برای شناسایی موثر ناهنجاری های شبکه در محاسبات IOT FA Afarin Ghaedsharaf Master’s Student in Computer Engineering, Artificial Intelligence and Robotics, Apadana Institute of Higher Education, Shiraz, Iran آفرین قائدشرف دانشجوی ارشد رشته کامپیوتر، هوش مصنوعی و رباتیکز، موسسه آموزش عالی آپادانا، شیراز، ایران kimia Bazargan lari Assistant Professor, Department of Computer Engineering, Apadana Institute of Higher Education, Shiraz, Iran کیمیا بازرگان لاری استادیار، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران zahra Ekram zade Instructor, Department of Computer Engineering, Apadana Institute of Higher Education, Shiraz, Iran زهرا اکرام زاده مربی، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران The Internet of Things (IoT) technology has significantly expanded in recent years, which has consequently led to an increase in cyber-attacks. Due to the massive volume and multidimensional nature of IoT data, anomaly detection often results in reduced prediction accuracy and higher false alarm rates. Additionally, there is a lack of real-world datasets for testing anomaly detection systems. This study introduces a novel real-time dataset for anomaly detection and presents an efficient model leveraging a Long Short-Term Memory (LSTM) network optimized using the Improved Grey Wolf Optimization (IGWO) algorithm in the IoT edge environment. The dataset was generated using an experimental testbed consisting of Raspberry Pi 4 devices and sensors connected via the MQTT protocol. Feature reduction was performed using an autoencoder network, and the LSTM network parameters were optimized using IGWO techniques. The results indicate that the proposed model achieved an accuracy of 99.11%, outperforming existing models. Furthermore, the model's performance was validated using standard datasets such as CICIDS2017, DS2OS, and MQTTset, and confirmed through statistical evaluation with the Wilcoxon test. فناوری اینترنت اشیاء (IoT) در سال‌های اخیر به‌طور قابل‌توجهی گسترش یافته است که به همراه خود افزایش حملات سایبری را به دنبال داشته است. به دلیل حجم عظیم و داده‌های چندبعدی IoT، تشخیص ناهنجاری‌ها منجر به کاهش دقت پیش‌بینی و افزایش نرخ هشدارهای اشتباه می‌شود. علاوه بر این، کمبود مجموعه داده‌های واقعی برای آزمایش تشخیص ناهنجاری وجود دارد. این پژوهش یک مجموعه داده جدید برای تشخیص ناهنجاری بلادرنگ ایجاد کرده و مدلی کارآمد با استفاده از شبکه حافظه بلندمدت (LSTM) بهینه‌سازی شده با الگوریتم بهینه‌سازی گرگ خاکستری (IGWO) در محیط لبه IoT ارائه می‌دهد. برای تولید مجموعه داده، از بستر آزمایشی شامل Raspberry Pi 4 و حسگرهایی که با پروتکل MQTT متصل شده‌اند استفاده شده است. کاهش ویژگی‌ها با استفاده از شبکه خودرمزگذار انجام شده و پارامترهای شبکه LSTM با استفاده از تکنیک‌های IGWO بهینه‌سازی شده‌اند. نتایج نشان می‌دهد مدل پیشنهادی با دقت 99/11% عملکرد بهتری نسبت به مدل‌های موجود داشته است. علاوه بر این، عملکرد مدل با استفاده از مجموعه داده‌های استاندارد CICIDS2017، DS2OS و MQTTset بررسی و با آزمون آماری Wilcoxon تایید شده است. https://ajce.apadana.ac.ir/downloadfilepdf/397704