走向安全的物联网网络:与CNN合作对元启发算法的全面研究,使用自生成的数据集

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 网络工程 网络工程

背景情况:

• 物联网 (IoT) 设备的扩散扩大了攻击面,增加了安全漏洞.
• 现有的安全数据集往往不足以应对物联网环境的独特挑战.
• 由于广泛的连接和自动化,开发对物联网网络的强有力的安全措施至关重要.

研究的目的:

• 通过生成现实的模拟来解决物联网安全专用数据集的缺乏.
• 评估将元启发算法与卷积神经网络 (CNN) 结合用于物联网网络入侵检测的性能.
• 确定CNN的最佳超参数,以最大限度地提高它们在检测物联网特定攻击方面的有效性.

主要方法:

• 使用Contiki-OS Cooja模拟器生成自定义数据集,模拟四种攻击类型:黑洞,沉坑,洪水和版本号攻击.
• 评估元启发算法与卷积神经网络 (CNN) 结合用于入侵检测.
• 对CNN模型进行超参数优化,以提高检测准确度.

主要成果:

• 生成的数据集有效地模拟现实世界的物联网攻击场景.
• 听算法和CNN的组合在识别网络入侵方面显示出有希望的结果.
• 确定了最佳的CNN超参数,以提高检测特定物联网攻击的性能.

结论:

• 该研究为物联网安全研究和开发提供了有价值的,定制的数据集.
• 这些发现为通过先进的机器学习技术增强物联网网络安全提供了实用的见解.
• 这项工作有助于更好地理解和实施物联网的有效安全措施.