The skills of forensic analysts are at risk to process the increasing data in the Internet of Things-based environment platforms. However, the technical issues like anti-forensics, variety of traffic formats, steganography or encrypted data, and real-time live investigation degrades the performance of the cyber forensic framework. Therefore, an effective method named Sunflower Jaya Optimization-based Deep stacked autoencoder (SFJO-based Deep stacked autoencoder) is proposed to perform the cyber forensic framework. The finite element model of Sunflower optimization is integrated with the control parameters of Jaya optimization to solve the issues in the cyber forensic framework. The proposed SFJO-based Deep stacked autoencoder uses the pollination and the peculiar behaviors to enable the cyber forensic framework based on the error value in the big data analytics model. Accordingly, the solution with the minimal value of error is accepted as the best optimal solution by computing the orientation vector. However, the proposed model is illustrated based on the unconstrained benchmark function, which in turn results in the fitness function to reveal the best candidate solution. The proposed SFJO-based Deep stacked autoencoder attained better performance using metrics like precision, sensitivity, and specificity with the values of 0.9053, 0.8865, and 0.8839 using dataset-1.

中文翻译：

---

使用基于 Sunflower Jaya 优化的深度堆叠自动编码器进行大数据分析的网络取证框架

法医分析师的技能面临着处理基于物联网环境平台中不断增加的数据的风​​险。然而，诸如反取证、各种流量格式、隐写术或加密数据以及实时现场调查等技术问题会降低网络取证框架的性能。因此，提出了一种名为 Sunflower Jaya Optimization-based Deep stack autoencoder (SFJO-based Deep stack autoencoder) 的有效方法来执行网络取证框架。Sunflower 优化的有限元模型与 Jaya 优化的控制参数相结合，以解决网络取证框架中的问题。所提出的基于 SFJO 的深度堆叠自动编码器使用授粉和特殊行为来启用基于大数据分析模型中的错误值的网络取证框架。因此，通过计算方向向量，具有最小误差值的解被认为是最佳最优解。然而，所提出的模型是基于无约束的基准函数来说明的，这反过来导致适应度函数揭示最佳候选解决方案。所提出的基于 SFJO 的深度堆叠自动编码器使用精度、灵敏度和特异性等指标获得了更好的性能，使用数据集 1 的值分别为 0.9053、0.8865 和 0.8839。然而，所提出的模型是基于无约束的基准函数来说明的，这反过来导致适应度函数揭示最佳候选解决方案。所提出的基于 SFJO 的深度堆叠自动编码器使用精度、灵敏度和特异性等指标获得了更好的性能，使用数据集 1 的值分别为 0.9053、0.8865 和 0.8839。然而，所提出的模型是基于无约束的基准函数来说明的，这反过来导致适应度函数揭示最佳候选解决方案。提出的基于 SFJO 的深度堆叠自动编码器使用精度、灵敏度和特异性等指标获得了更好的性能，使用数据集 1 的值分别为 0.9053、0.8865 和 0.8839。