深度学习与联盟冠军算法基于入侵检测的网络安全驱动的工业物联网系统
Saud S Alotaibi1, Turki Ali Alghamdi2
1Department of Computer Science and Artificial Intelligence, College of Computing, Umm Al-Qura University, Makkah, Saudi Arabia. ssotaibi@uqu.edu.sa.
Scientific reports
|August 19, 2025
概括
本研究介绍了一种用于物联网 (IoT) 的新型网络攻击检测方法. CLAFS-ODLCD技术实现了99.48%的准确性,增强了对不断变化的威胁的物联网安全性.
科学领域:
- 网络安全和网络工程 网络安全和网络工程
- 人工智能和机器学习
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 物联网 (IoT) 网络由于资源限制而面临重大网络安全风险,需要强大的入侵检测系统 (IDS).
- 有效的网络攻击检测对于保护相互连接的环境中的敏感数据,用户隐私和关键基础设施至关重要.
- 深度学习 (DL) 提供了先进的实时分析数字活动的能力,以识别和应对网络威胁.
研究的目的:
- 提出一种新的技术,CLAFS-ODLCD,用于在物联网基础设施内加强网络攻击的检测和分类.
- 提高数字生态系统对复杂的网络威胁的弹性和安全性.
- 使用标准数据集验证拟议方法的有效性,并将其性能与现有模型进行比较.
主要方法:
- 在CLAFS-ODLCD技术中,用于数据预处理,采用线性缩放规范化 (LSN).
- 使用联盟冠军算法 (LCA) 进行最佳特征选择.
- 网络攻击的检测和分类通过堆叠的稀疏自编码器 (SSAE) 模型实现,超参数由饥饿游戏搜索 (HGS) 算法优化.
主要成果:
- 在物联网网络中,CLAFS-ODLCD方法在识别和分类网络攻击方面表现出卓越的性能.
- 对WSN-DS数据集的实证分析显示了99.48%的显著准确率.
- 提出的技术显著优于现有的网络攻击检测模型.
结论:
- CLAFS-ODLCD技术为保护物联网环境免受网络威胁提供了高度准确和有效的解决方案.
- 将LCA集成到特征选择和SSAE与HGS优化中,为基于深度学习的入侵检测提供了一个强大的框架.
- 这项研究有助于加强数字生态系统的网络安全姿态,以应对不断变化的安全挑战.
