带有联合学习框架的先进人工智能,用于在物联网辅助的可持续智能城市中保护隐私并检测网络威胁

科学领域:

• 网络安全和人工智能 人工智能
• 物联网 (IoT) 安全 安全 物联网
• 智慧城市技术 智慧城市技术

背景情况:

• 物联网设备的普及扩大了网络连接,但也引入了重要的网络安全漏洞,特别是在关键基础设施和智能城市系统中.
• 现有的网络安全措施难以在复杂的物联网环境中平衡威胁检测和用户数据隐私.
• 联合学习 (FL) 为分布式数据分析提供了一个有希望的隐私保护范式,但其在物联网取证中的应用仍然未得到充分探索.

研究的目的:

• 为物联网辅助的可持续智能城市量身定制的先进人工智能与保护隐私的网络威胁检测 (AAIFLF-PPCD) 的联合学习框架提出和评估.
• 提高智能城市物联网网络中网络威胁检测的稳定性和可扩展性,同时确保用户数据隐私.
• 在物联网取证和网络攻击检测的背景下探索FL的有效性.

主要方法:

• 该AAIFLF-PPCD方法整合了哈里斯优化 (HHO) 以从物联网数据中有效选择特征.
• 一个堆叠的稀疏自动编码器 (SSAE) 分类器被用于网络威胁检测的核心任务.
• 在SSAE模型的超参数调整中,使用Walrus优化算法 (WOA) 来优化性能.

主要成果:

• 在一个基准数据集上,AAIFLF-PPCD技术在网络威胁检测方面表现出卓越的性能.
• 提出的方法实现了99.47%的高准确率,在各种评估指标上表现优于现有模型.
• 该框架在网络威胁检测过程中成功保护了用户数据隐私.

结论:

• 该AAIFLF-PPCD框架提供了一种有效和保护隐私的解决方案,用于检测物联网智能城市中的网络威胁.
• 联合学习,高级优化算法和深度学习分类器的集成显著提高了物联网环境中的网络安全姿态.
• 这项研究突出了FL在解决智能城市基础设施日益增长的环境中的关键网络安全挑战方面的潜力.