基于深度学习的安全高效的入侵检测框架,用于车辆互联网
Hasim Khan1, Ghanshyam G Tejani2,3, Rayed AlGhamdi4
1Department of Mathematics, College of Science, Jazan University, Kingdom of Saudi Arabia, P.O. Box 114, 45142, Jazan, Saudi Arabia.
Scientific reports
|April 10, 2025
概括
本研究介绍了一种用于汽车互联网 (IoV) 安全的新型入侵检测系统 (IDS),增强数据隐私和实时威胁检测. 该系统实现了高精度,确保安全可靠的IoV网络运行.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络工程 网络工程
背景情况:
- 汽车互联网 (IoV) 网络面临着重大安全挑战,因为它们的复杂和动态性质,需要强大的入侵检测系统 (IDS).
- 现有的安全措施往往难以平衡实时性能,数据隐私和大规模IoV环境中的有效威胁识别.
研究的目的:
- 开发一个先进的,安全的,高精度的入侵检测系统,适用于汽车互联网 (IoV) 环境.
- 整合创新的加密技术和深度学习模型,以提高IoV安全性和保护隐私的数据处理.
主要方法:
- 实施AES-256加密,安全多方计算 (SMPC) 和同型加密 (HE) 进行安全的数据处理.
- 使用Z-score规范化和中位数归算进行数据预处理,其次是视觉变压器 (ViT),波形变换和GAT用于特征提取.
- 介绍了一种新的Crayfish-Mother安全优化 (CMSO) 方法,用于优化特征选择,以及整合DenseNet,GoogleNet,AlexNet和SqueezeNet的DAGSNet架构,以改进检测和分类.
主要成果:
- 拟议的IDS在两个数据集上表现出高效率,最高准确率为0.991和0.984.
- 实现了分别为0.02s和0.82s的最小加密和解密时间,确保实时安全.
- 整体方法显著提高了IoV网络入侵检测的可靠性和有效性.
结论:
- 开发的IDS为IoV环境提供了高度安全,有效和精确的解决方案,解决了关键的安全和隐私问题.
- 集成先进的加密,保护隐私的计算和深度学习模型为未来的IoV安全研究提供了强大的框架.
- 这项工作在快速发展的汽车互联网技术的背景下,为入侵检测系统建立了新的基准.
