一个可解释的基于LSTM的入侵检测系统,通过火算法优化,用于物联网网络
Taiwo Blessing Ogunseyi1, Gogulakrishan Thiyagarajan2
1School of Electronic and Information Engineering, Yibin University, Yibin 644000, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了一种用于物联网安全的新型深度学习入侵检测系统 (IDS). 该模型通过选择相关数据来提高准确性,并提供透明的操作,改善网络安全防御.
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:
- 扩展物联网设备连接性增加了网络犯罪攻击表面和安全风险.
- 现有的入侵检测系统 (IDS) 由于无关紧要的数据而扎在错误的阳性和错过的威胁上.
- 基于AI的IDS通常缺乏透明度,阻碍网络安全专业人员的理解和采用.
研究的目的:
- 开发一种基于深度学习的透明IDS,能够适应新的网络威胁.
- 通过减少假阳性和改进威胁检测来解决现有IDS的局限性.
- 通过提供可解释的AI (XAI) 对模型操作的洞察力来增强网络安全.
主要方法:
- 一种混合方法,将统计方法和元启发式算法结合起来,以实现最佳的特征选择.
- 实施基于长短期记忆 (LSTM) 的深度学习模型,用于入侵检测.
- 使用NF-BoT-IoT-v2和IoTID20数据集进行模型训练和验证.
- 应用局部可解释的模型不可知解释 (LIME) 和沙普利添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 实现了高准确率:NF-BoT-IoT-v2数据集上的98.42%和IoTID20数据集上的89.54%.
- 与其他机器学习模型和现有的最先进方法相比,表现出卓越的性能.
- XAI工具为模型的预测机制提供了有价值的见解,提高了透明度.
结论:
- 拟议的深度学习模型通过准确检测入侵来有效地提高物联网安全性.
- 功能选择和XAI集成提高了IDS的性能,透明度和在网络安全中的采用.
- 该模型提供了一个强大的和易于理解的解决方案,用于识别和减轻物联网环境中的网络威胁.
