一个新的混合卷积神经网络和基于门式反复单元的范式,用于智能城市的物联网网络流量攻击检测
Brij B Gupta1,2,3,4,5, Kwok Tai Chui6, Akshat Gaurav7
1Department of Computer Science and Information Engineering, Asia University, Taichung 413, Taiwan.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了一种使用CNN和GRU的深度学习模型,用于检测物联网 (IoT) 设备中的网络流量攻击. 该模型在识别各种威胁方面实现了99%的准确性,增强了智能城市的安全性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 智能城市严重依赖物联网 (IoT) 设备,增加它们对复杂网络流量攻击的脆弱性.
- 有效检测这些攻击对于保持智能城市基础设施的完整性和功能至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于检测智能城市中的物联网生态系统中的网络流量攻击.
- 利用卷积神经网络 (CNN) 和门式循环单元 (GRU) 来全面分析网络流量数据.
主要方法:
- 使用Kaggle数据集进行培训和评估.
- 集成的CNN用于空间特征提取,GRU用于序列特征分析.
- 在十个时代中训练模型,使用精度,分类报告和混矩阵评估性能.
主要成果:
- 在检测网络流量攻击方面实现了99%的整体准确率.
- 在分类各种攻击类型方面表现出高度熟练,包括拒绝服务 (DoS),探测,用户到根 (U2R) 和Sybil攻击.
- 获得了99%的加权平均F1分数,表明了强大的分类性能.
结论:
- 拟议的深度学习模型有效地识别了智能城市物联网设备中的网络流量攻击.
- 这种先进的架构显著提高了物联网设备的安全状况,并有助于保护关键的智能城市基础设施.
