一个高性能混合LSTM CNN安全架构用于物联网环境,使用深度学习.
Priyanshu Sinha1, Dinesh Sahu2, Shiv Prakash3
1Department of Electronics and Communication, University of Allahabad, Prayag Raj, Uttar Pradesh, India.
Scientific reports
|March 21, 2025
概括
本研究介绍了一个高级LSTM-CNN框架,用于实时物联网入侵检测. 该模型实现了对网络威胁的高精度和稳定性,提高了物联网设备的安全性.
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:
- 物联网 (IoT) 设备的扩散引入了重要的安全漏洞,需要先进的入侵检测系统.
- 现有的深度学习模型在实时物联网环境中有效识别各种网络威胁方面面临挑战.
研究的目的:
- 提出和评估一个先进的长期短期内存 (LSTM) - 卷积神经网络 (CNN) 安全框架,以优化物联网网络中的实时入侵检测.
- 加强各种网络攻击类型的识别,包括分布式拒绝服务 (DDoS),尸网络,侦察和数据泄露.
主要方法:
- 开发一种混合LSTM-CNN模型,集成LSTM层用于时间依赖性学习和CNN层用于空间特征分解.
- 使用BoT-IoT数据集,该数据集涵盖了广泛的网络攻击场景.
- 与其他深度学习模型 (CNN,RNN,标准LSTM,BiLSTM,GRU) 进行性能评估,并使用SHAP进行特征重要性分析,评估对抗攻击的稳定性.
主要成果:
- 拟议的LSTM-CNN模型实现了高性能指标:准确率为99.87%,精度为99.89%,回忆率为99.85%,假阳性率为0.13%.
- 与传统的深度学习模型相比,该模型表现出了卓越的性能.
- 在敌对攻击条件下实现了90.2%的准确性,表明了显著的稳定性.
- 功能重要性分析确定了数据包大小,连接持续时间和协议类型作为威胁检测的关键指标.
结论:
- 先进的LSTM-CNN安全框架为物联网环境中的实时入侵检测提供了强大而高效的解决方案.
- 该模型的高准确性,精度和回忆能力,加上其对敌对攻击的弹性,使其适合于实际的安全应用.
- 研究结果表明,这种混合方法可以通过提供可靠的威胁检测和最小的错误报警来显著提高物联网设备的安全性.
