物联网（IoT）具有多设备连接性，打破了传统网络连接性的限制，如有限的无线范围、，可扩展性特定的通信协议依赖性等。可以在物联网网络中连接多个设备，而无需重大基础设施更改和这些设备可以通过各种协议相互通信，这对许多组织、消费者和政府来说可能更加有益。然而，物联网技术的快速发展需要一个安全的网络，因为它必须访问不同的设备和通信方法。这种多样性和异构性使网络入侵更方便入侵者。当大量数据通过网络传输。入侵检测系统（IDS）用于监视网络行为，以检测异常行为或入侵。IDS中使用了许多机器学习模型来对网络流量进行分类。然而，由于特征有限，这些方法的检测性能滞后操控能力。因此，在选择正确指示网络入侵的最佳特征时，IDS中使用了优化模型。然而，由于传统优化算法的探索和开发能力有限，本研究提出了一种混合优化算法用于优化特征选择的Salp Swarm Optimization and Bee Forage（SSA-BF）优化方法。使用乘法对最优特征进行分类长短期内存（MLSTM）网络。为了检查所提出的IDS的健壮性，考虑了准确性、召回率、f1核和精度指标进行分析。所提出的IDS的仿真结果显示出95.8%的最大精度，优于传统的自动编码器、卷积神经网络、高斯具有生成对抗网络、多CNN和基于DeepNet的IDS的混合模型。