چکیده: با گسترش روزافزون اینترنت اشیا (IoT) و اتصال میلیاردها دستگاه به شبکه، موضوع امنیت و تشخیص نفوذ به یکی از چالش‌های اساسی این حوزه تبدیل شده است. داده‌های تولیدشده در محیط‌های IoT دارای حجم بالا، ابعاد پیچیده و ویژگی‌های متنوع هستند که این امر فرآیند تشخیص نفوذ را با دشواری‌های فراوانی روبه‌رو می‌سازد. در این پژوهش، روشی نوین برای بهبود تشخیص نفوذ در شبکه‌های IoT ارائه شده است که بر دو محور اصلی بهینه‌سازی انتخاب ویژگی و افزایش دقت مدل یادگیری عمیق استوار است. در گام نخست، برای کاهش ابعاد و حذف ویژگی‌های غیرضروری، از ترکیب تحلیل مؤلفه‌های مستقل (ICA) و انتخاب ویژگی مبتنی بر جنگل تصادفی همراه با جستجوی ترتیبی (RF-SFS) استفاده شده است تا مجموعه‌ای از ویژگی‌های مؤثر و غیرتکراری استخراج گردد. سپس، ویژگی‌های منتخب به مدل LSMT بهینه شده با مکانیزم توجه داده شده‌اند تا بتوان الگوهای رفتاری پیچیده و توالی‌های زمانی حملات را با دقت بیشتری شناسایی نمود. نتایج شبیه‌سازی‌ها نشان می‌دهد که روش پیشنهادی بهبود چشمگیری در نرخ تشخیص، دقت کلی و کاهش نرخ خطای مثبت کاذب نسبت به روش‌های سنتی و موجود ایجاد کرده است و به میانگین دقت 99.91% در تشخیص چندین نوع حملات سایبری رسیده است.