数字安全风险识别和基于深度学习的智能城市模型构建
1Pulic Security Administration Department, Jiangsu Police Institute, Nanjing, 211800, Jiangsu, China. zhaozhilei5630@163.com.
Scientific reports
|July 11, 2025
概括
本研究介绍了一种基于深度学习的数字安全识别模型 (DL-DSIM),以提高智能城市的工业物联网 (IIoT) 安全性. DL-DSIM有效地减轻了网络安全风险,并提高了数据传输效率.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 智慧城市技术 智慧城市技术
背景情况:
- 智能城市越来越多地整合工业物联网 (IIoT),扩大攻击面,并引入重大网络安全风险.
- 现有的安全措施难以应对IIoT在智能城市环境中的复杂性和规模.
研究的目的:
- 提出一种基于深度学习的新型数字安全识别模型 (DL-DSIM),以提高智能城市的IIoT安全性.
- 提高智能城市基础设施内的数据传输效率和整体系统安全性.
主要方法:
- 为DL-DSIM设计了一个灵活的三层架构框架.
- 为了减少复杂性,引入了一种混合功能选择方法,将CSO和GA结合起来.
- 深度神经网络 (DNN) 用于增强入侵检测和漏洞处理.
主要成果:
- 在训练阶段,DL-DSIM实现了高性能指标:准确率为99.13%,回忆率为98.5%,F值为98.39%,特异性为95.62%.
- 在测试阶段,DL-DSIM表现出强的性能,准确率为96.1%,回忆率为95.48%,F值为96.38%,特异性为93%.
- 该模型在抵御网络安全威胁方面被证明是有效的.
结论:
- DL-DSIM为智能城市的IIoT系统提供了可靠的安全机制.
- 拟议的模型有助于智能城市和数字安全基础设施的可持续发展.
- 这项研究强调了深度学习在解决城市环境中复杂的网络安全挑战方面的有效性.
