基于混合深度学习模型和联合学习的改进入侵检测
Jia Huang1,2, Zhen Chen1,2, Sheng-Zheng Liu1,2
1College of Information Science Technology, Hainan Normal University, Haikou 571158, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
本研究介绍了工业物联网 (IIoT) 网络入侵检测的联合学习 (FL) 方法. 该方法提高了检测准确度,并通过在不共享原始数据的情况下协作训练模型来保护数据隐私.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 事物的工业互联网 (IIoT)
背景情况:
- 网络入侵检测系统 (NIDS) 对于工业物联网 (IIoT) 安全至关重要.
- 对于NIDS的深度学习模型,需要大量的数据集,这些数据集通常在本地范围内是有限的,当集中化时,会引发隐私问题.
研究的目的:
- 开发一种基于新型联合学习 (FL) 的方法,以提高 IIoT 环境中的网络入侵检测准确性.
- 在训练入侵检测模型期间确保强大的数据隐私保护.
主要方法:
- 为IIoT开发了一种结合卷积神经网络 (CNN) 与注意力机制的深度学习入侵检测模型.
- 为了增强数据隐私,集成了变量自动编码器 (VAE).
- 一个联合学习 (FL) 框架促进了跨多个IIoT客户端共享模型的协作培训,而无需共享原始数据.
主要成果:
- 拟议的FL方法显著提高了检测准确度,精度,并降低了假阳性率 (FPR).
- 在现实世界物联网网络入侵数据集上的实验验证证证了该模型的有效性.
- 该方法与传统的本地培训和现有的NIDS模型相比,表现优越.
结论:
- 基于FL的新型深度学习模型有效地解决了IIoT网络入侵检测中有限数据和隐私问题的挑战.
- 这种方法通过提高NIDS性能,同时保护敏感数据,为保护IIoT系统提供了一个有希望的解决方案.
