焦点因果时间卷积神经网络:通过有效检测罕见的网络攻击来推进IIoT安全
Meysam Miryahyaei1, Mehdi Fartash1, Javad Akbari Torkestani1
1Department of Computer Engineering, Arak Branch, Islamic Azad University, Arak 38361-1-9131, Iran.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
本研究介绍了一种用于工业物联网 (IIoT) 网络安全的新型深度神经网络. 焦点因果时间卷积神经网络 (FCTCNN) 能够有效地检测罕见的网络攻击,尽管数据不平衡,达到99%以上的准确性.
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:
- 工业物联网 (IIoT) 产生了大量的数据,需要强大的安全措施来防止改和盗窃.
- 在IIoT中检测罕见的网络攻击是具有挑战性的,因为不平衡的数据集,通常不充分地通过传统的重新采样方法来解决.
- 现有方法面临的局限性包括人工数据生成和增加的计算负载.
研究的目的:
- 引入创新的深度二进制神经网络,用于检测IIoT环境中的罕见网络攻击.
- 为应对IIoT网络安全威胁检测中数据不平衡的重大挑战.
- 提高IIoT安全系统对复杂威胁的效率和有效性.
主要方法:
- 开发一个焦点因果时间卷积神经网络 (FCTCNN),一个深度二元神经网络.
- 将攻击检测转化为二进制分类任务,优先考虑少数 (罕见) 攻击.
- 在树状结构中实施下降顺序策略,以管理不平衡的数据并减少计算复杂性.
主要成果:
- 该FCTCNN模型在处理不平衡数据以检测罕见攻击方面表现出卓越的性能.
- 在包括UNSW-NB15,CICIDS-2017,BoT-IoT,NBaIoT-2018和TON-IIOT在内的多个基准数据集中实现了超过99%的准确性.
- 与现有的IIoT安全方法相比,显著降低了计算复杂性.
结论:
- 该FCTCNN是一种高效和高效的解决方案,用于检测在不平衡的IIoT数据集中罕见的网络攻击.
- 拟议的模型在IIoT网络安全方面取得了重大进展,提高了威胁缓解能力.
- 这种方法提供了一个可扩展和准确的方法来保护IIoT系统免受不断变化的网络威胁.
