基于机器学习的入侵检测基于无线传感器网络的算法,策略和应用的E形结构

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 无线通信无线通信

背景情况:

• 分布式传感器网络对于云计算和物联网 (IoT) 等现代应用至关重要.
• 现有的入侵检测系统 (IDS) 在异常检测和识别不同物联网数据流中的零日攻击方面扎.
• 目前基于签名的IDS对于物联网环境中不断变化的威胁格局是不够的.

研究的目的:

• 引入一种新的过深度学习模型,用于用数据通信方法检测入侵.
• 通过解决各种数据源的挑战,提高物联网网络中零日攻击的检测能力.
• 提高分布式传感器网络中入侵检测系统的准确性和效率.

主要方法:

• 拟议的模型包括五个阶段:传感器网络初始化,集群形成和头部选择,连接,攻击检测和数据经纪人.
• 用过的深度学习方法在传感器网络中检测异常.
• 为宽带无线通信设计,制造和测试了一个E形补丁天线.

主要成果:

• 与现有的深度学习神经网络和人工神经网络模型相比,过深度学习模型在入侵检测方面取得了96.12%的卓越准确性.
• 实验结果证明了该模型在识别物联网网络入侵方面的有效性.
• 开发的E形补丁天线具有广泛的带宽,在7.5和8.5 GHz共振,并提供了详细的性能特征.

结论:

• 拟议的过深度学习模型显著提高了物联网网络中入侵检测的准确性,超过了传统方法.
• 该研究强调了先进的深度学习技术的潜力,以保护分布式传感器网络免受复杂的网络威胁.
• 新型E形补丁天线设计为物联网应用中高效的宽带无线通信提供了有希望的解决方案.