采用SAE-GRU深度学习用于智能城市基础设施中可扩展的尸网络检测

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 智慧城市技术 智慧城市技术

背景情况:

• 智能城市中的物联网 (IoT) 设备增加了城市基础设施的能力,但也提高了尸网络攻击风险.
• 尸网络攻击对智能城市环境中的基本服务和公共安全构成重大威胁.
• 现有的入侵检测系统正在与物联网网络的高维数据和时间模式作斗争.

研究的目的:

• 开发一种新的混合深度学习模型,用于智能城市物联网网络中的实时尸网络检测和缓解.
• 解决处理高维数据和识别物联网安全中的时间模式的挑战.
• 为增强智能城市生态系统安全提供可扩展和资源高效的解决方案.

主要方法:

• 开发了一种混合深度学习模型,即堆叠自动编码门式反复单元 (SAE-GRU).
• 堆叠的自动编码器用于减少数据的维度.
• 门式循环单元用于分析顺序数据模式.
• 一个模拟的智能城市环境作为模型评估的测试台.

主要成果:

• SAE-GRU模型在尸网络检测性能方面取得了显著的改进.
• 平均精度达到了98.65%,具有始终高的精度和回忆值.
• 该模型在现实的智能城市环境中有效地识别和减轻尸网络活动.

结论:

• SAE-GRU模型为智能城市物联网网络中的尸网络检测提供了一个可扩展和资源高效的解决方案.
• 这些发现有助于更好地了解物联网安全挑战和深度学习应用.
• 这项研究为在智能城市中应对新兴威胁的适应性安全机制奠定了基础.