在物联网中使用深度卷积生成对抗网络进行异常检测
Amit Kumar Mishra1, Shweta Paliwal2, Gautam Srivastava3
1Department of Computer Science & Engineering, Jain University, Bengaluru, Karnataka, India.
ISA transactions
|December 17, 2023
概括
这项研究引入了一种新的深度学习模型,以增强物联网 (IoT) 安全性,以应对不断增加的网络威胁. 先进的模型显著提高了威胁检测的准确性,保护物联网网络.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 先进的5G和6G技术正在推动物联网 (IoT) 的采用,使高速通信和数据分析成为可能.
- 物联网中的自动化网络虽然有利,但增加了安全,完整性和隐私侵犯的风险.
- 现有的安全措施很难跟上复杂物联网生态系统中不断变化的威胁格局.
研究的目的:
- 提出和评估一个强大的深度学习模型,以提高物联网 (IoT) 网络的安全性.
- 在先进的物联网环境中解决与自动化网络相关的越来越多的漏洞.
- 提高物联网系统中威胁检测和分类的准确性和可靠性.
主要方法:
- 开发一个加权堆叠组合模型,集成深度卷积生成对抗网络 (DCGAN) 和双向长期短期记忆 (BiLSTM) 网络.
- 实施规范化技术,包括L2规范化,以及为模型优化进行严格的超参数调整.
- 在四个不同的,公开可用的物联网数据集上对拟议模型的评估:BOT-IoT,IoT23,UNSWNB15和ToN_IoT.
主要成果:
- 拟议的模型在数据集中实现了特殊的分类准确性: 99.99% (BOT-IoT),99.08% (IoT23),99.82% (UNSWNB15) 和99.96% (ToN_IoT).
- 在标准性能指标方面显著改进,包括对二进制和多类分类任务的精度,回忆和F1分数.
- 成功降低了0.005%的概括误差,并通过L2规范化减轻了过拟合.
结论:
- 开发的加权堆叠组合模型为增强物联网安全提供了高度有效的解决方案.
- 该模型在威胁检测和分类方面的卓越性能为先进物联网网络中的网络威胁提供了强大的防御.
- 这项研究为确保快速扩展的互联设备领域取得重大进展做出了贡献.
