混合入侵检测模型 (HIDM):用于工业4.0网络的混合入侵检测模型,使用优化的CNN-LSTM与转移学习
Umesh Kumar Lilhore1, Poongodi Manoharan2, Sarita Simaiya3
1Department of Computer Science and Engineering, Chandigarh University, Gharuan, Mohali 140413, India.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
本研究介绍了一种混合入侵检测模型 (HIDM),使用优化的CNN-LSTM和转移学习 (TL) 来增强工业4.0安全性. 这种先进的模型显著提高了对工业数据集的入侵检测准确度.
科学领域:
- 网络安全 网络安全
- 工业自动化 工业自动化
- 机器学习 机器学习
背景情况:
- 工业4.0的采用整合了人工智能和物联网等先进技术,创造了新的安全漏洞.
- 现有的入侵检测系统 (IDS) 在保护复杂的工业环境方面面临着挑战.
- 对强大的安全解决方案的需求对于工业自动化系统的可靠运行至关重要.
研究的目的:
- 为工业4.0环境提出一种新的混合入侵检测模型 (HIDM).
- 通过优化卷积神经网络-LSTM (OCNN-LSTM) 和转移学习 (TL) 来提高入侵检测的准确性.
- 评估拟议的HIDM与现实世界工业数据集的传统模型的有效性.
主要方法:
- 开发了一种混合入侵检测模型 (HIDM),将OCNN-LSTM与转移学习 (TL) 集成在一起.
- 使用灰狼优化器 (GWO) 优化了CNN参数,以提高预测准确度.
- 雇佣TL转移知识并增强OCNN-LSTM模型的培训过程.
- 在ToN-IoT和UNW-NB15数据集上进行了多类分类分析.
主要成果:
- 使用TL的OCNN-LSTM模型实现了更高的精度:92.7%的ToN-IoT和94.25%的UNW-NB15.
- 与没有TL,CNN和LSTM模型的OCNN-LSTM相比,拟的HIDM表现出更高的性能.
- 关键性能指标包括精度,F测量,回忆,准确性和检测率得到了显著改善.
结论:
- 混合入侵检测模型 (HIDM) 有效地提高了工业4.0环境中的安全性.
- 转移学习显著提高了OCNN-LSTM用于入侵检测的准确性和效率.
- 拟议的模型为检测工业自动化系统中的威胁提供了一个有希望的解决方案.
