相关实验视频
Updated: May 10, 2025

08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在物联网安全中使用MAML (模型不可知的元学习) 进行入侵检测的自适应框架
Fatma S Alrayes1, Syed Umar Amin2, Nada Hakami2
1Information Systems Department, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh 11671, Saudi Arabia.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究介绍了一种适应性入侵检测系统 (IDS) 用于物联网 (IoT) 安全,使用模型不可知的元学习 (MAML). 基于MAML的IDS有效地检测到各种数据集的网络威胁,并具有高准确性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 传统的入侵检测系统 (IDS) 与物联网环境的动态和异质性质作斗争.
- 新兴的物联网 (IoT) 设备引入了新的网络安全漏洞.
- 需要具有创新策略的适应性IDS来应对不断变化的网络威胁.
研究的目的:
- 为增强物联网 (IoT) 安全性开发一个自适应入侵检测框架.
- 在多样化和不断变化的网络条件下提高IDS的泛化能力.
- 利用模型无意识的超级学习 (MAML) 和少数射击学习,以最少的数据快速适应新威胁.
主要方法:
- 利用模型不可知的元学习 (MAML) 训练一个能够快速适应的基本模型.
- 采用了几次性学习模式,以便在有限的数据下快速学习新任务.
- 将拟议的框架应用于对UNSW-NB15和NSL-KDD99数据集进行基准验证.
主要成果:
- 在UNSW-NB15数据集上实现了99.98%的准确性,99.5%的精度,99.0%的回忆率和99.4%的F1得分.
- 在NSL-KDD99数据集上获得了99.1%的准确性,97.3%的精度,98.2%的回忆率和98.5%的F1得分.
- 证明了MAML在检测物联网环境中广泛的网络威胁方面的有效性.
结论:
- 基于meta-learning的入侵检测为构建弹性物联网系统提供了强大的解决方案.
- 拟议的MAML框架显著提高了IDS在动态物联网设置中的性能.
- 未来的研究将探索联合的超级学习和实时部署,以适应威胁响应.

