一种基于深度学习的新方法,用于检测社交物联网中的攻击

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 网络工程 网络工程

背景情况:

• 社交物联网 (IoT) 将物联网设备与社交平台集成,使设备对设备的互动成为可能.
• 由于隐私问题和公众数据暴露的风险,客户的采用受到阻碍.
• 确保可靠的连接和数据隐私对于广泛实施物联网至关重要.

研究的目的:

• 解决现有方法在识别欺诈性节点和区分物联网网络中的攻击类型方面的局限性.
• 提出一种新的方法来增强物联网社会中的安全性和隐私.
• 开发一个强大的系统来检测和隔离恶意节点.

主要方法:

• 提出了一种具有注意力机制的多跳转卷积神经网络 (MH-CNN-AM).
• 该模型旨在识别来自敌对节点的攻击,并将其与网络分离.
• 性能使用准确性,精度,回忆,F1得分和平均绝对误差 (MAE) 等指标进行评估.

主要成果:

• 拟议的MH-CNN-AM模型在识别和隔离恶意节点方面表现出有效性.
• 对比分析显示,在检测各种形式的攻击方面,与现有的方法相比,性能优越.
• 该研究验证了该模型在提高网络安全性和可信度方面的能力.

结论:

• MH-CNN-AM模型在保护社会物联网环境方面取得了重大进展.
• 有效识别和隔离恶意节点对于用户信任和数据保护至关重要.
• 未来的研究应该专注于进一步完善检测技术,并确保物联网生态系统的全面隐私.