一个高效的入侵检测系统用于物联网安全使用CNN决策森林
Kamal Bella1, Azidine Guezzaz1, Said Benkirane1
1Technology Higher School Essaouira, Cadi Ayyad University, Essaouira, Morocco.
PeerJ. Computer science
|September 24, 2024
概括
一个新的基于森林的深度神经决策入侵检测系统 (IDS) 增强了物联网 (IoT) 的安全性. 该系统实现了高精度和快速预测时间,通过高效地利用最小特征进行异常检测,优于现有模型.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 物联网设备的广泛采用增加了对网络攻击的脆弱性.
- 侵入检测系统 (IDS) 对于保护物联网生态系统至关重要.
- 现有的IDS方法需要改进,以提高准确性和效率.
研究的目的:
- 引入一种新的基于深度神经决策森林的IDS (DNDF-IDS),用于增强网络异常检测.
- 提高物联网环境中入侵检测的准确性和效率.
- 通过使用各种特征选择技术来评估DNDF-IDS的性能.
主要方法:
- 开发了一个新的DNDF-IDS,将决策森林与神经网络集成在一起.
- 应用了四种特征选择方法:PCA,LASSO,SelectKBest和RFFI.
- 在三个基准数据集上对模型进行了评估:NSL-KDD,CICIDS2017和UNSW-NB15.
主要成果:
- 在数据集中实现了高精度 (ACC),从94.09%到98.84%不等.
- 证明每条记录的预测时间为0.1毫秒.
- 超过或匹配最近的随机森林和CNN基于的模型,特别是十大特征.
结论:
- DNDF-IDS为物联网安全提供了一个高度准确和高效的解决方案.
- 该模型有效地使用最小的功能集识别网络异常.
- 这种方法显著提高了入侵检测中的计算资源利用率.
