一个高效的入侵检测模型,基于卷积尖端神经网络
Zhen Wang1,2, Fuad A Ghaleb3, Anazida Zainal1
1Faculty of Computing, Universiti Teknologi Malaysia, Johor Bahru, 81310, Johor, Malaysia.
Scientific reports
|March 26, 2024
概括
一种新的入侵检测模型结合了尖端神经网络 (SNN) 和卷积神经网络 (CNN) 以实现高效的物联网 (IoT) 安全. 这种轻量级的方法可以在资源有限的环境中提高性能.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 计算机工程 计算机工程
背景情况:
- 侵入检测系统 (IDS) 对系统完整性至关重要.
- 物联网 (IoT) 设备由于资源限制而面临独特的挑战.
- 深度学习 (DL) 和尖端神经网络 (SNN) 对IDS有希望,但在受限制的环境中往往缺乏效率.
研究的目的:
- 为资源有限的环境提出一个轻量级和有效的入侵检测模型.
- 解决目前基于SNN的解决方案在低功耗,低计算场景中的低效率问题.
- 开发一个模型,以高分类准确度平衡资源使用.
主要方法:
- 通过理性算法设计集成尖端神经网络 (SNN) 和卷积神经网络 (CNN).
- 开发一个轻量级的架构,优化最小的资源消耗.
- 根据使用全面绩效指标的最先进模型进行评估.
主要成果:
- 与现有方法相比,拟议的模型大大减少了资源的使用.
- 尽管设计轻量化,但仍然保持了高分类准确性.
- 在有限的计算和能源资源的环境中表现出卓越的适应性.
结论:
- 开发的SNN-CNN混合模型为物联网中的入侵检测提供了有效的解决方案.
- 该模型有效地解决了SNN在资源有限的环境中的性能限制.
- 这种方法为增强物联网安全提供了可行的途径,而不会损害设备功能.
