FFL-IDS:一款启用雾的基于学习的联合入侵检测系统,用于对抗工业物联网的干扰和伪造攻击
Tayyab Rehman1, Noshina Tariq2, Farrukh Aslam Khan3
1Department of Information Engineering, Computer Science, and Mathematics, University of L'Aquila, 67100 L'Aquila, Italy.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
一个新的基于学习的联邦入侵检测系统 (FFL-IDS) 增强了工业物联网 (IIoT) 的安全性. 该系统提供可扩展,保护隐私和低延迟的网络威胁检测.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 事物的工业互联网 (IIoT)
背景情况:
- 工业物联网 (IIoT) 网络面临着重大网络安全威胁,包括干扰和伪造,这可能会破坏关键基础设施.
- 传统的入侵检测系统 (IDS) 在处理大型 IIoT 数据集时,难以实现可扩展性和数据隐私.
研究的目的:
- 提出一个支持雾的基于学习的联邦入侵检测系统 (FFL-IDS),以解决IIoT环境中传统IDS的局限性.
- 通过结合联合学习和雾计算的框架来确保数据隐私和低延迟检测.
主要方法:
- 这项研究引入了一种新的FFL-IDS框架,该框架利用卷积神经网络 (CNN) 进行入侵检测.
- 该框架允许在多个IIoT网络参与者之间分布式训练深度学习模型,同时保持数据隐私.
- 雾计算是集成的,以确保低延迟检测能力.
主要成果:
- 在Edge-IIoTset数据集上,FFL-IDS实现了高性能,准确度为93.4%,干扰和伪造攻击的F1得分为87%.
- 在CIC-IDS2017数据集上,该系统表现出稳健性,达到95.8%的准确性和93%的F1得分.
- 该框架在检测不同环境中的各种网络攻击方面被证明是有效的.
结论:
- 拟议的FFL-IDS是一个可扩展和保护隐私的解决方案,用于提高工业物联网网络的安全性.
- 该系统提供对复杂网络威胁的高性能检测,使其适合于各种 IIoT 操作设置.
