相关实验视频
Updated: Jul 6, 2026

08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
基于学习的最佳联合入侵检测,用于物联网环境中的物联网环境
A Karunamurthy1, K Vijayan2, Pravin R Kshirsagar3
1Department of MCA, Sri Manakula Vinayagar Engineering College, Pondicherry, India. karunamurthy26@gmail.com.
Scientific reports
|March 14, 2025
概括
联合学习 (FL) 通过对各种攻击模式的深度学习模型进行训练,提高物联网网络中的入侵检测系统 (IDS). 这种方法达到95.59%的准确性,在应对不断变化的网络威胁方面表现优于传统方法.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 传统的基于机器学习的入侵检测系统 (IDS) 由于依赖特定的训练数据,在物联网网络中与不断变化的攻击模式作斗争.
- 分析各种攻击载体的复杂性挑战了传统IDS的有效性.
- 联合学习 (FL) 提供了一个去中心化的模式培训方法,可以在不集中敏感数据的情况下适应新的威胁.
研究的目的:
- 提出一种新的基于联合学习的入侵检测方法,以加强物联网环境中的网络安全.
- 在联合学习框架内利用深度学习分类器,以改进攻击检测.
- 在拟议的IDS中利用优化算法进行有效的特征选择.
主要方法:
- 实施联合学习框架,在分布式物联网系统中培训深度学习分类器.
- 整合黑猩猩优化算法来选择最佳特征以提高检测准确度.
- 使用基准MQTT数据集验证拟议的方法.
主要成果:
- 基于学习的联合IDS实现了95.59%的最大检测精度.
- 与传统的机器学习算法相比,所提出的方法在检测各种攻击方面表现出更高的性能.
- 使用"黑猩猩优化算法"进行有效的特征选择,有助于提高入侵检测能力.
结论:
- 联合学习为在物联网网络中开发适应性和准确的入侵检测系统提供了强大的框架.
- 拟议的基于FL的IDS有效地解决了检测新型和多样化的网络威胁的挑战.
- 这项研究强调了结合联合学习,深度学习和优化算法的潜力,以实现先进的物联网安全.

