相关实验视频
Updated: Jul 1, 2026
05:06
Bioluminescent Bacterial Imaging In Vivo
Published on: November 4, 2012
15.4K
混合深度学习技术,以确保生物纳米物联网中的生物发光接口
1School of Built Environment, Engineering & Computing, Leeds Beckett University, Leeds LS1 3HE, UK.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了深度学习,以确保生物纳米物联网 (IoBNT) 的安全. 一个混合CNN+LSTM模型在检测异常的生物发光生物网络接口流量时实现了~93.51%的准确性.
科学领域:
- 网络安全 网络安全
- 生物技术是生物技术.
- 网络安全 网络安全
背景情况:
- 生物纳米物联网 (IoBNT) 使用纳米级生物收发器进行体内数据收集和向药物输送.
- 生物发光生物网络接口 (BBI) 是IoBNT的一个有希望的技术,但由于互联网连接,它面临着安全挑战.
- 现有的机器学习方法难以应对BBI流量的复杂性,需要先进的异常检测.
研究的目的:
- 调查使用深度学习 (DL) 算法来检测BBI流量的异常.
- 开发一个DL模型,能够为BBI数据进行动态和可扩展的特征工程.
- 通过准确地分类异常BBI流量模式来提高IoBNT系统的安全性.
主要方法:
- 开发了一种混合深度学习模型,结合了卷积神经网络 (CNN) 和长短期记忆 (LSTM).
- 该模型在BBI流量的生成数据集上进行了训练和验证.
- 绩效与其他深度和浅层学习结构进行了评估.
主要成果:
- 混合CNN + LSTM模型在区分正常和异常BBI流量时达到约93.51%的准确性.
- 通过DL方法,可以自动提取相关的时间和正常特征,从而消除了手动特征工程.
- 与现有方法相比,该模型表现出优越的性能.
结论:
- 深度学习算法,特别是混合CNN + LSTM模型,对于在IoBNT系统中实时检测异常是有效的.
- 在DL中自动化功能工程显著提高了BBI安全的准确性和可扩展性.
- 开发的分类器可以部署在入侵检测系统和非Von Neumann架构中,以增强IoBNT安全性.
