使用GRU-CNN深度学习模型在SUCMO算法上训练的物联网安全方面的进展
Amit Sagu1, Nasib Singh Gill1, Preeti Gulia1
1Department of Computer Science and Applications, Maharshi Dayanand University, Rohtak, Haryana, 124001, India.
Scientific reports
|May 12, 2025
概括
本研究介绍了一种混合深度学习模型,用于检测物联网 (IoT) 安全威胁,如拒绝服务 (DoS) 攻击和尸网络. 该模型结合了卷积神经网络 (CNN) 和门式循环单元 (GRU) 来进行增强的威胁分类.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 设备的扩散引入了重要的安全漏洞.
- 新出现的威胁包括拒绝服务 (DoS) 攻击和尸网络,危及物联网环境.
- 有效的检测机制对于保持物联网完整性和用户信任至关重要.
研究的目的:
- 提出一种新的混合深度学习模型,用于对物联网安全威胁进行分类.
- 提高在物联网生态系统中检测复杂网络攻击的准确性和效率.
- 解决分析复杂网络数据的现有方法的局限性.
主要方法:
- 一种混合深度学习架构,集成卷积神经网络 (CNN) 进行空间特征提取和门式循环单元 (GRU) 进行时间依赖分析.
- 实现自我升级的猫和老鼠优化 (SUCMO) 算法,用于深度学习模型的超参数调整.
- 使用两个基准数据集验证拟议的模型:UNSW-NB15和BoT-IoT.
主要成果:
- 与传统方法相比,混合CNN-GRU模型在对物联网安全威胁进行分类方面表现出了卓越的表现.
- SUCMO算法有效地优化了深度学习模型的超参数,从而提高了分类准确性.
- 在UNSW-NB15和BoT-IoT数据集上的实验结果证实了该模型对最先进的方法的有效性.
结论:
- 拟议的混合深度学习模型为检测和分类物联网安全威胁提供了强大的解决方案.
- 通过SUCMO优化CNN和GRUs的集成,为保护不断扩大的物联网环境提供了一个强大的工具.
- 这项研究在物联网网络安全领域取得了重大进展,提高了威胁检测能力.
