将基于元启发的特征选择与集体表示学习模型集成,用于在物联网环境中识别隐私意识的网络攻击
M Karthikeyan1, R Brindha1, Maria Manuel Vianny2
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Chennai, 603203, India.
Scientific reports
|July 2, 2025
概括
本研究介绍了一种先进的AI模型,用于检测物联网 (IoT) 中的网络攻击. 基于自适应的元启发学特征选择与隐私保护网络攻击检测集体学习模型 (AMFS-ELPPCD) 在识别威胁方面实现了高准确性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 物联网 (IoT) 中智能设备的扩散增加了对复杂网络攻击的脆弱性.
- 现有的入侵检测系统 (IDS) 难以跟上物联网环境中现代网络威胁的复杂性.
- 先进的AI技术,包括机器学习 (ML) 和深度学习 (DL),为提高IDS性能提供了巨大的潜力.
研究的目的:
- 提出一种新的技术,即适应型基于元启发的特征选择与隐私保护网络攻击检测集体学习模型 (AMFS-ELPPCD),用于在物联网中强大的网络攻击检测.
- 利用人工智能提高准确性和效率,在物联网生态系统中识别恶意网络活动.
- 提高入侵检测系统的隐私保护能力.
主要方法:
- 使用Z分数规范化的数据预处理.
- 使用自适应哈里斯优化 (AHHO) 模型进行特征选择.
- 集合分类使用双向封闭循环单元 (BiGRU),瓦斯斯坦自动编码器 (WAE) 和深度信念网络 (DBN).
- 通过社会群体优化 (SGO) 对集体分类器进行超参数优化.
主要成果:
- 在基准数据集上,AMFS-ELPPCD技术表现出卓越的性能.
- 在CICIDS-2017数据集上达到99.44%的高准确率,在NSLKDD数据集上达到98.85%.
- 在物联网环境中检测和分类网络攻击方面表现优于现有模型.
结论:
- 拟议的AMFS-ELPPCD模型为物联网中保护隐私的网络攻击检测提供了一个高度有效的解决方案.
- 整合元启发式优化和集体学习显著提高了入侵检测能力.
- 这些发现突出了先进的人工智能技术在保护快速扩展的物联网领域的潜力.