HiViT-IDS:基于视觉变压器的高效网络入侵检测方法
Hai Zhou1, Haojie Zou1, Wei Li1
1College of Information and Intelligence, Hunan Agricultural University, Changsha 410128, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
本研究介绍了用于增强物联网 (IoT) 安全性的高性能ViT入侵检测系统 (HiViT-IDS). 这种新的方法显著减少了培训时间,同时在检测网络入侵时保持了高准确度.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 物联网 (IoT) 系统面临着越来越多的安全威胁,因为它在关键领域得到广泛采用.
- 使用机器学习 (ML) 的传统入侵检测系统 (IDS) 难以对复杂,动态的恶意流量进行分类.
- 深度转移学习 (DTL) 是有前途的,但往往需要花费大量的培训时间和资源.
研究的目的:
- 为物联网环境开发一个高效的入侵检测系统 (IDS),以高精度与缩短训练时间进行平衡.
- 为了利用视觉变压器 (ViT) 模型的特征提取能力来改进网络流量分类.
- 引入高性能ViT入侵检测系统 (HiViT-IDS),作为应对动态安全挑战的解决方案.
主要方法:
- 网络流量数据从一维流转换为RGB图像.
- 视觉变压器 (ViT) 模型用于其强大的特征提取和分类功能.
- 拟议的HiViT-IDS模型是根据ToN-IoT和Edge-IIoT数据集进行评估的.
主要成果:
- HiViT-IDS在ToN-IoT数据集上实现了99.70%的分类准确率,在Edge-IIoTset数据集上达到100%.
- 与现有的深度转移学习 (DTL) 方法相比,HiViT-IDS显示了培训时间的大幅减少.
- 该模型有效地维持高性能指标,同时优化计算资源利用率.
结论:
- HiViT-IDS为检测复杂物联网网络入侵提供了一个高效和准确的解决方案.
- 视觉转换器 (ViT) 架构通过将流量数据转换为图像表示来提高网络安全的有效性.
- 在适应不断变化的动态网络安全环境方面,HiViT-IDS具有竞争优势.
