一种混合方法用于在车辆网络中检测入侵,使用特征选择和维度减少,并优化深度学习
Fayaz Hassan1, Zafi Sherhan Syed1, Aftab Ahmed Memon1
1Department of Telecommunication Engineering, Mehran University of Engineering and Technology, Jamshoro, Pakistan.
PloS one
|February 6, 2025
概括
本研究引入了一种混合方法,用于识别车辆网络中的恶意流量,提高安全性和减少模型大小. 该方法提高了分类准确性,并优化了自主系统中入侵检测模型.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 运输系统 运输系统
背景情况:
- 车辆网络对于自主运输至关重要,但由于物联网的增长,它们容易受到恶意流量的影响.
- 识别和减轻这些网络中的威胁对于确保安全和可靠性至关重要.
研究的目的:
- 提出混合机器学习方法,以有效识别车辆网络中的恶意流量.
- 在性能和尺寸方面,优化车辆特设网络 (VANET) 的入侵检测模型.
主要方法:
- 实现了自动化特征工程,使用基于关联的特征选择 (CFS) 和主要组件分析 (PCA) 来减少维度.
- 采用密集层进行分类,并应用培训后的模型重量量化来进一步减少模型大小.
- 使用CICIDS2017数据集验证了该方法.
主要成果:
- 特性工程改进了F1分数的分类,从96.48%提高到98.43%.
- 模型大小在特征工程后从28.09KB减少到20.34KB,并在量子化后进一步减少到9KB.
- 拟议的混合模型表现出高分类性能,具有较低的参数数量和模型大小.
结论:
- 混合方法有效地识别了车辆网络中的恶意流量,提高了安全性.
- 优化,低复杂度的模型适用于VANET中的入侵检测,平衡性能和效率.
- 该研究强调了特征工程和量子化的好处,用于开发自主运输中的实际AI解决方案.
