基于联合学习和BiLSTM的物联网网络轻量级入侵检测系统的异质感知半分散模型
Shuroog Alsaleh1,2, Mohamed El Bachir Menai2, Saad Al-Ahmadi2
1Department of Computer Science, King Saud University, Riyadh 11451, Saudi Arabia.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了一种半分散式联合学习 (FL) 模型,用于物联网 (IoT) 网络中的轻量级入侵检测系统 (IDS). 拟议的集群方法提高了性能,减少了通信开销,有效地检测了对资源受限设备的分布式拒绝服务 (DDoS) 攻击.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 物联网 (IoT) 网络因其规模和设备异质性而容易受到网络攻击.
- 资源有限的物联网设备不能支持传统的入侵检测系统 (IDS).
- 联合学习 (FL) 通过在设备上进行培训,为物联网IDS提供了一个轻量级的解决方案.
研究的目的:
- 提出一种基于FL的新型半分散型模型,用于适应物联网设备能力的轻量级IDS.
- 解决物联网设备异质性,轻量化和入侵检测性能方面的挑战.
- 为了特别减轻物联网环境中的分布式拒绝服务 (DDoS) 攻击.
主要方法:
- 一个半分散的FL架构,具有设备集群和集群头,以减少通信开销.
- 集成深度学习模型,包括长短期记忆 (LSTM),双向LSTM (BiLSTM) 和瓦斯斯坦生成对抗网络 (WGAN).
- 使用CICIoT2023数据集进行评估,随后对BoT-IoT,WUSTL-IIoT-2021和Edge-IIoT数据集进行测试.
主要成果:
- 拟议的半分散的FL模型有效地减少了通讯开销,并改善了聚合过程.
- 由于其模型尺寸,BiLSTM证明了对资源有限的物联网设备的卓越性能和适用性.
- 该模型在多个数据集中实现了高性能,在检测DDoS攻击方面特别有效.
结论:
- 开发的半分散的FL模型为异质物联网网络的入侵检测提供了有效和轻量级的解决方案.
- 集群物联网设备显著提高了基于学习的联合IDS的效率和性能.
- 该模型显示了在保护物联网生态系统免受DDoS攻击等普遍威胁的实际部署的巨大潜力.
