CTSF:基于增强功能提取和决策优化方法的工业互联网入侵检测框架
Guangzhao Chai1, Shiming Li1, Yu Yang1
1College of Computer Science and Information Engineering, Harbin Normal University, Harbin 150025, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了CTSF,这是工业互联网入侵检测的新框架. 它增强了变压器和SVM模型,以改善本地和全球特征提取,实现高精度.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 传统的变压器模型在全球特征提取方面表现出色,但可能会错过本地序列细节.
- 支持矢量机器 (SVM) 通常需要额外的优化,以达到峰值分类性能.
- 工业互联网环境为入侵检测系统带来了独特的挑战.
研究的目的:
- 引入一个新的网络框架,CTSF,用于强大的工业互联网入侵检测.
- 提高网络流量数据中捕获本地和全球特征的能力.
- 提高入侵检测模型的分类准确性和效率.
主要方法:
- 开发了一个混合框架 (CTSF),结合了卷积神经网络 (CNN) 和一个增强的变压器进行预训练.
- 集成的SVM具有最佳的内核功能 (线性,rbf) 为决策组件.
- 在X-IIOTID数据集的不平衡子集上对框架进行了评估,该数据集代表工业互联网数据.
主要成果:
- 在X-IIOTID数据集上,CTSF框架实现了0.98875的高整体准确性.
- 在不平衡的数据集中,在歧视少数阶级方面表现出卓越的表现.
- 增强的变压器组件有效地减少了训练参数,并改善了局部特征提取.
结论:
- 对于入侵检测,CTSF有效地解决了传统的变压器和SVM模型的局限性.
- 拟议的框架为保护工业互联网环境提供了一个有希望的解决方案.
- 在检测复杂的网络威胁方面,CTSF具有强大的现实应用潜力.
