在5G SDN中进行高速威胁检测,并集成GRU驱动的生成对抗网络的粒子群优化器
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, India.
Scientific reports
|March 24, 2025
概括
本研究介绍了一种有效的深度学习模型,用于检测5G软件定义网络 (SDN) 中的网络攻击. 拟议的PSO-GRUGAN-IDS模型在识别恶意网络流量方面取得了高准确性.
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:
- 5G软件定义网络 (SDN) 面临着独特的安全挑战.
- 传统的安全措施不足以检测5G SDN环境中的复杂攻击.
- 机器学习 (ML) 和深度学习 (DL) 为高级攻击检测提供了有希望的途径.
研究的目的:
- 开发一个高效的深度学习 (DL) 模型,用于在5G SDN中增强攻击检测.
- 提高5G SDN环境中安全漏洞的性能和响应能力.
- 将粒子优化 (PSO) 与生成对抗网络 (GAN) 和门式循环单元 (GRU) 集成,以实现强大的入侵检测.
主要方法:
- 开发了粒子集群优化器带有门的反复单元层生成对抗网络入侵检测系统 (PSO-GRUGAN-IDS) 分类器.
- 利用PSO优化GAN模型权重,通过GRU改进反向传播和合成攻击数据生成.
- 训练了一个深度分类 (IDS) 模型,使用GRU和GAN生成的数据以及真实攻击数据.
主要成果:
- 在InSDN数据集上,PSO-GRUGAN-IDS模型实现了98.4%的高准确率.
- 与现有的基于DL的入侵检测方法相比,其表现优越.
- 实现了98%的精度率,98.5%的回忆率和2.464秒的检测时间.
结论:
- 拟议的PSO-GRUGAN-IDS模型为检测5G SDN入侵提供了一个高度有效的解决方案.
- PSO,GRU和GAN的整合显著提高了入侵检测能力.
- 该模型的高精度和效率为确保5G网络的实际应用提供了信心.
