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
概括
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.
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.
