加强智能家居安全:在智能家居物联网设备中使用Logit增强的CNN模型检测异常和面部识别
Asif Rahim1, Yanru Zhong2, Tariq Ahmad3
1School of Computer and Information Security, Guilin University of Electronic Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
深度学习模型通过检测异常和识别物联网 (IoT) 设备中的面部来增强智能家居安全. 在这些关键安全任务中,LR-HGBC-CNN模型显示出卓越的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 设备提供了方便,但在智能家居中引发了重大隐私和安全问题.
- 有效的异常检测和面部识别对于提高智能家居生态系统的安全性至关重要.
研究的目的:
- 探索和评估用于智能家居物联网设备中的异常检测和面部识别的深度学习模型.
- 为集成安全应用程序确定最有效的深度学习模型.
主要方法:
- 提出并评估了六种深度学习模型:LR-XGB-CNN,LR-GBC-CNN,LR-CBC-CNN,LR-HGBC-CNN,LR-ABC-CNN,以及LR-LGBM-CNN.
- 在标记的传感器读数和面部图像数据集上训练和测试模型.
- 使用准确度,精度,回忆,F1分数和AUC-ROC等指标评估性能.
主要成果:
- 该LR-HGBC-CNN模型在异常检测 (94%准确率) 和人脸识别 (88%准确率) 两方面都表现出卓越的性能.
- 在这两个任务中,LR-HGBC-CNN实现了高精度,回忆,F1分数和AUC-ROC值.
- 所有提出的模型都显示出将安全功能集成到智能家居物联网设备中的希望.
结论:
- 深度学习方法,特别是LR-HGBC-CNN模型,为改善智能家居安全和隐私提供了巨大的潜力.
- 需要进一步的研究来探索可通用性,先进的技术,保护隐私的方法和部署的挑战.
