深度学习启发的IoT-IDS机制用于边缘计算环境

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络入侵检测 网络入侵检测

背景情况:

• 物联网 (IoT) 产生了大量数据,给网络安全带来了挑战.
• 深度学习 (DL) 显示了在物联网环境中检测网络攻击的前景.
• 当前的入侵检测系统 (IDS) 难以应对DL的规模和计算需求,以实现边缘部署.

研究的目的:

• 提出基于边缘云的物联网IDS,利用DL进行高效的网络攻击检测.
• 解决当前IDS在处理大量物联网数据量和计算要求方面的局限性.
• 为了实现及时检测更接近物联网边缘设备的威胁,以保护关键基础设施.

主要方法:

• 开发了一个分布式边缘云架构,用于物联网入侵检测.
• 在时间序列物联网数据上实现了属性选择,以减少数据集大小.
• 训练了一个DL模型,使用循环神经网络 (RNN) 和双向长期短期记忆 (Bi-LSTM) 进行攻击检测.
• 在高维的BoT-IoT数据集上验证了模型.

主要成果:

• 属性选择将数据集大小降低了85%,而不会影响检测能力.
• DL模型实现了高性能指标:98.25%的回忆率,99.12%的F1得分,99.56%的准确率和99.45%的精度.
• 在缩小数据集上训练的模型没有显示过少或过度装配.
• 拟议的解决方案证明了对大量物联网数据的高效可扩展性.

结论:

• 拟议的基于DL的物联网IDS对于边缘云部署是有效和可扩展的.
• 它为物联网环境中的实时网络攻击检测提供了可行的解决方案.
• 该方法成功地平衡了资源有限的边缘设备的性能和计算效率.