深度学习混合化,以改善智能物联网中的恶意软件检测
Abdulwahab Ali Almazroi1, Nasir Ayub2
1Department of Information Technology, College of Computing and Information Technology at Khulais, University of Jeddah, Jeddah, 21959, Saudi Arabia. aalmazroi@uj.edu.sa.
Scientific reports
|April 3, 2024
概括
本研究介绍了BEFNet,这是一个基于BERT的Feed Forward神经网络框架,旨在增强物联网 (IoT) 对不断发展的大数据挑战的安全性. BEFNet在检测各种恶意软件方面表现出高度准确性,为动态的物联网环境提供了强大的防御.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 支持人工智能的物联网设备的扩散产生了大量的大数据,创造了重要的安全漏洞和决策挑战.
- 现有的安全措施难以应对物联网数据的动态性质和规模,影响隐私和组织资源.
研究的目的:
- 引入基于BERT的专门Feed Forward神经网络框架 (BEFNet),以确保AI支持的物联网环境的安全.
- 解决物联网生态系统中不断增长的大数据的动态决策的挑战.
主要方法:
- 一个新的框架,BEFNet,利用基于BERT的Feed Forward神经网络,被开发用于物联网安全分析.
- 该框架使用Spotted Hyena Optimizer (SO) 进行了优化,并对8个不同的恶意软件数据集进行了评估.
- 使用包括精度,马修斯相关系数,F1-Score,AUC-ROC和科恩卡帕在内的指标来评估表现.
主要成果:
- 在各种恶意软件数据集中,BEFNet实现了卓越的性能指标.
- 关键性能指标包括97.99%的准确性,97.96%的马修斯相关系数,97%的F1分数,98.37%的AUC-ROC和95.89%的科恩卡帕.
- 斑点的海优化器增强了BEFNet对各种恶意软件数据结构的适应性.
结论:
- 对于物联网安全的不断变化的环境,BEFNet代表了一个强大的防御机制.
- 该框架为物联网环境中大数据所带来的动态决策挑战提供了有效的解决方案.
- 这项研究突出了专门的人工智能框架在加强互联设备网络安全方面的潜力.
