基于GA-CNN的ICN入侵检测方法
1Information Management Center, Jilin University of Finance and Economics, Changchun, China.
PloS one
|June 3, 2025
概括
本研究介绍了一种用于工业控制系统的新型网络入侵检测方法,将遗传算法和卷积神经网络结合起来,以更快,更准确地识别威胁并防御数据盗窃.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 工业控制系统 工业控制系统
背景情况:
- 工业控制系统网络面临着来自SQL注入等攻击的重大数据盗窃风险.
- 现有的安全措施难以在全球通信环境中充分保护工业控制系统.
研究的目的:
- 为工业控制系统提出先进的网络入侵检测方法.
- 加强工业网络的安全性和数据完整性,以应对复杂的网络威胁.
主要方法:
- 利用遗传算法 (GA) 进行数据优化和特征选择.
- 开发了一种混合模型,将一个一维的多尺度卷积神经网络 (CNN) 与一个封闭的反复单元 (GRU) 结合起来.
- 实现了GA以优化特征选择以识别关键数据子集.
主要成果:
- 拟议的模型在约8秒内完成了训练和测试,超过了其他方法 (约10秒).
- 证明了高检测率 (96.97%),低数据包丢失率 (1.256%) 和最小的错误报警率 (0.0947%).
- 实现了入侵防御成功率超过90%的成功率.
结论:
- 这种新的方法为工业控制系统提供了卓越的入侵检测性能和泛化能力.
- 混合CNN-GRU模型有效地解决了时间序列数据依赖性,并减轻了梯度问题.
- 该方法满足了工业控制环境的关键网络入侵检测需求.


