一种改进的入侵检测方法用于IIoT使用注意力机制,BiGRU和Inception-CNN
Kai Yang1, JiaMing Wang2, MinJing Li1
1School of Computer, Xijing University, Xi'an, 710123, China.
Scientific reports
|August 20, 2024
概括
本研究介绍了用于工业物联网 (IIoT) 安全的增强入侵检测方法. 这种新的方法提高了准确性,处理不平衡的数据,并减少了功能冗余,以提供强大的网络保护.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 工业物联网 (IIoT) 系统面临来自复杂网络攻击的重大安全威胁.
- 现有的入侵检测模型的准确性很低,高维数据的冗余性和不平衡的数据集,阻碍了有效的威胁检测.
- IIoT流量的复杂性需要先进的方法来准确识别和减轻各种攻击载体.
研究的目的:
- 为工业物联网 (IIoT) 环境开发强大的入侵检测方法.
- 为了提高检测准确度,并应对高维度,不平衡和杂的网络流量所带来的挑战.
- 提高模型捕获关键信息和检测常见和罕见攻击类别的能力.
主要方法:
- 一种混合入侵检测模型,整合了注意力机制,双向门循环单元 (BiGRU) 和初始卷积神经网络 (Inception-CNN).
- 实施混合采样策略和无声化技术,以管理不平衡的数据和减轻噪声.
- 应用一种结合皮尔森相关系数和随机森林的特征选择方法,以减少高维交通数据中的冗余性.
主要成果:
- 拟议的方法证明了增强的检测速率和在识别多样化的攻击流量时提高的准确性.
- 有效地处理不平衡的数据集,减轻对共同类别的偏见,改善罕见攻击的检测.
- 成功减少功能冗余,使复杂的IIoT网络流量更好地捕获关键信息.
结论:
- 开发的入侵检测方法为保护工业物联网环境提供了可靠的解决方案.
- 注意,BIGRU,Inception-CNN,混合采样和特征选择的整合有效地解决了IIoT安全的关键挑战.
- 这项研究强调了先进的入侵检测技术在保护工业网络免受不断变化的网络威胁方面的关键作用.
