通过使用二进制蛇优化和基于注意力的双向封闭反复分类器,以零日入侵检测系统保护物联网设备

科学领域:

• 网络安全和网络工程 网络安全和网络工程
• 机器学习应用 机器学习应用
• 物联网 (IoT) 安全 安全 物联网

背景情况:

• 物联网 (IoT) 面临着越来越复杂的网络攻击,特别是零日漏洞,这带来了重大的安全挑战.
• 传统的入侵检测系统 (IDS) 与未识别的攻击作斗争,引发了对用户数据隐私和安全的担忧.
• 传统的机器学习 (ML) 模型在异常检测的准确性和识别率方面存在局限性.

研究的目的:

• 开发一种先进的方法,用于在物联网环境中加强对零日攻击的识别和分类.
• 将元启发式优化与深度学习 (DL) 技术相结合,以获得更高水平的威胁检测能力.
• 解决现有ML模型在处理新型和未确定的网络威胁方面的局限性.

主要方法:

• 提出了一种带有DL启用的零日攻击检测和分类 (BSODL-ZDADC) 方法的二进制蛇优化器.
• 在数据预处理中使用Z-score规范化.
• 用二进制蛇优化器 (BSO) 进行特征选择,以减少维度和增强分类.
• 基于注意力的双向封闭反复单元 (ABi-GRU) 已被实施用于零日攻击识别.
• 改进的子搜索算法 (ISSA) 用于超参数优化.

主要成果:

• BSODL-ZDADC方法在识别和分类零日攻击方面表现出卓越的性能.
• 通过BSO进行特征选择有效地减少了数据维度,并改善了分类结果.
• 与ISSA优化的ABi-GRU模型在检测未知的威胁方面取得了高精度.
• 在ToN-IoT数据集上的实验验证结果准确率为98.28%.

结论:

• BSODL-ZDADC方法为在物联网网络中检测零日网络攻击提供了强大而准确的解决方案.
• 将元启发学 (BSO,ISSA) 与深度学习 (ABi-GRU) 的整合显著提高了入侵检测能力.
• 提出的方法有效地克服了传统的ML模型在识别新威胁方面的局限性,确保了更好的数据隐私和安全.