一个适应性的时间卷积网络自编码器,用于在移动人群传感中检测恶意数据
Nsikak Owoh1, Jackie Riley1, Moses Ashawa1
1Department of Cyber Security and Networks, School of Computing, Engineering and Built Environment, Glasgow Caledonian University, Cowcaddens Road, Glasgow G4 0BA, UK.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
本研究引入了一种适应模型,用于在移动人群传感 (MCS) 系统中检测恶意数据. 基于TCN的模型在识别和减轻威胁方面达到98%的准确性,以确保数据完整性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 数据科学数据科学数据科学
背景情况:
- 移动人群传感 (MCS) 系统从移动设备收集数据,由于潜在的数据中毒,可能会带来安全风险.
- 在MCS系统中的漏洞可能会损害数据完整性和可靠性.
- 现有的检测方法可能会与不断发展的对抗策略作斗争.
研究的目的:
- 提出一种适应性和强大的模型,用于检测MCS中的恶意传感器数据.
- 提高移动人群传感系统的安全性和可靠性.
- 为了减轻对收集数据的对抗性攻击的影响.
主要方法:
- 开发了一个基于时间卷积网络 (TCN) 的模型,具有适应性学习机制.
- 整合了持续的进化来检测新的恶意数据模式.
- 通过使用SherLock数据集进行全面分析来评估性能.
主要成果:
- 拟议的基于TCN的模型在检测恶意传感器数据方面表现出高效.
- 在性能评估中获得了98%的检测准确度.
- 成功地减轻了对MCS系统完整性的潜在威胁.
结论:
- 适应性TCN模型显著提高了移动人群传感系统的安全性.
- 该模型适应不断变化的威胁的能力确保了强大的数据完整性.
- 这项研究有助于开发更可靠,更安全的群众感知应用程序.
