Jove
Visualize
联系我们

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

SimBlock Simulator Enhancement with Difficulty Level Algorithm Based on Proof-of-Work Consensus for Lightweight Blockchain.

Sensors (Basel, Switzerland)·2022
查看所有相关文章
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 31, 2025

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K

针对各种攻击的智能入侵检测系统基于混合深度学习算法.

Bambang Susilo1, Abdul Muis1, Riri Fitri Sari1

  • 1Department of Electrical Engineering, Faculty of Engineering, Universitas Indonesia, Depok 16424, Indonesia.

Sensors (Basel, Switzerland)
|January 25, 2025
PubMed
概括
此摘要是机器生成的。

这项研究通过使用深度学习来检测攻击来增强物联网 (IoT) 的安全性. 使用自动编码器,LSTM和CNN的多阶段方法可以提高入侵检测系统对DoS和Mirai攻击等威胁的性能.

关键词:
物联网 (IoT) 的物联网 (IoT) 的物联网.自动编码器自动编码器卷积神经网络 (CNN) 是一种神经网络.深度学习是一种深度学习.侵入检测系统的入侵检测系统长时间的短期记忆 (LSTM)

更多相关视频

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

2.6K
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

660

相关实验视频

Last Updated: May 31, 2025

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

2.6K
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

660

科学领域:

  • 网络安全 网络安全
  • 人工智能的人工智能
  • 网络安全 网络安全

背景情况:

  • 物联网 (IoT) 是日常生活的组成部分,但由于建筑和技术挑战,它面临着重大安全漏洞.
  • 有效的安全措施对于全面的物联网保护至关重要.
  • 现有的入侵检测系统 (IDS) 通常缺乏处理复杂物联网威胁的复杂性.

研究的目的:

  • 提高深度学习模型在物联网环境中检测攻击的性能.
  • 解决数据不平衡并提高学习成果,使用合成少数人过量采样技术 (SMOTE).
  • 开发一个强大的,多阶段的深度学习框架,以提高物联网安全性.

主要方法:

  • 一个多阶段的特征提取过程,使用自动编码器 (AEs) 进行初始的特征提取.
  • 长短期记忆 (LSTM) 网络分析时间模式并检测异常行为.
  • 卷积神经网络 (CNN) 用于安全威胁的最终分类.
  • 应用SMOTE来缓解数据不平衡并改善模型培训.

主要成果:

  • 拟议的框架有效地提取了强大的特征,并确定了暗示网络威胁的时间模式.
  • 集成的AE-LSTM-CNN架构展示了对物联网安全数据分类的增强功能.
  • 该方法专门设计用于检测关键攻击,如拒绝服务 (DoS) 和Mirai.
  • 与传统的单模型IDS相比,多阶段方法提供了更全面的分析.

结论:

  • 深度学习方法,特别是拟议的多阶段框架,显著提高了IDS在物联网安全方面的有效性.
  • 该研究强调了改善安全措施和缓解新出现的物联网威胁的潜力.
  • 这项研究证实了将AEs,LSTM和CNN与SMOTE相结合的好处,以实现强大的物联网网络安全.