相关实验视频
Updated: Sep 18, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
用LSTM进行联合学习,用于基于物联网的无线传感器网络的入侵检测:多数据集分析
Raja Waseem Anwar1, Mohammad Abrar2, Abdu Salam3
1Department of Computer Science, German University of Technology in Oman, Muscat, Oman.
PeerJ. Computer science
|June 26, 2025
概括
联合学习 (FL) 与长短期内存 (LSTM) 网络增强了物联网 (IoT) 无线传感器网络 (WSN) 的入侵检测. 与传统方法相比,这种保护隐私的方法提高了准确性,并降低了假阳性率.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 无线传感器网络 无线传感器网络
背景情况:
- 物联网 (IoT) 和无线传感器网络 (WSN) 容易受到安全漏洞的攻击.
- 传统的集中式入侵检测系统 (IDS) 在物联网环境中扎着隐私,效率和可扩展性.
研究的目的:
- 开发和评估一个联合学习 (FL) 框架,与长期短期记忆 (LSTM) 网络集成,用于在基于物联网的WSN中进行入侵检测.
- 为了提高检测准确度,最大限度地降低假阳性率 (FPR),并确保数据隐私,同时保持可扩展性.
主要方法:
- 使用联合学习 (FL) 方法,使全球LSTM模型在多个物联网节点之间进行协作训练,而无需交换原始数据.
- 拟议的基于FL的LSTM模型在WSN-DS,CIC-IDS-2017和UNSW-NB15数据集上进行了测试.
主要成果:
- 与传统的集中式模型相比,基于FL的LSTM模型在入侵检测方面取得了显著的改进.
- 在所有测试的数据集中都实现了更高的准确性和更低的FPR.
- 该模型有效处理顺序数据,确保隐私并保持复杂攻击场景中的性能.
结论:
- 联合学习和LSTM网络为基于物联网的WSN的入侵检测提供了强大的解决方案,增强了隐私和检测能力.
- 拟议的框架解决了关键的物联网安全挑战,包括数据隐私,可扩展性和性能,使其适用于现实世界的应用.
