相关实验视频
Updated: Jul 14, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种基于深度学习和动态定量化的物联网轻量级入侵检测方法
Zhendong Wang1, Hui Chen1, Shuxin Yang1
1School of Information Engineering, Jiangxi University of Science and Technology, Ganzhou, China.
PeerJ. Computer science
|October 9, 2023
概括
这项研究介绍了DL-BiLSTM,这是一种用于物联网设备的轻量级入侵检测模型. 它有效地检测出复杂性降低的网络攻击,克服资源限制.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 由于广泛的网络流量,物联网设备面临着重大网络安全威胁.
- 深度学习模型对于物联网入侵检测是有效的,但通常是资源密集型的.
- 物联网设备上的有限的计算能力和存储阻碍了复杂的检测系统的部署.
研究的目的:
- 为物联网入侵检测引入一个轻量级的深度学习模型,以解决资源限制.
- 为了提高物联网安全系统对复杂的网络攻击的检测性能.
- 为了在资源有限的物联网设备上有效地部署先进的入侵检测.
主要方法:
- 开发了DL-BiLSTM模型,将深度神经网络 (DNN) 和双向长短期记忆网络 (BiLSTM) 结合起来,用于特征提取.
- 实施增量主要组件分析 (IPCA) 以减少特征维度.
- 利用动态量化来减少模型的复杂性和计算负担.
主要成果:
- 与传统的深度学习和最先进的方法相比,DL-BiLSTM模型显示出更高的检测性能.
- 在CIC IDS2017,N-BaIoT和CICIoT2023数据集上的实验结果验证了该模型的有效性.
- 该模型实现了高检测精度,同时保持了显著降低模型复杂度.
结论:
- DL-BiLSTM模型为在资源有限的物联网环境中进行入侵检测提供了有效和高效的解决方案.
- 这种轻量级的方法成功地平衡了高检测性能与降低计算要求.
- 拟议的模型通过在边缘设备上实现先进的网络攻击检测来提高物联网安全性.
