通过多模型框架对各种数据集进行深度学习和传统物联网尸网络检测方法的比较分析
Saeed Ullah1, Junsheng Wu2, Zhijun Lin3
1School of Software, Northwestern Polytechnical University, Xi'an, 710072, Shaanxi, China.
Scientific reports
|August 23, 2025
概括
这项研究引入了一种使用机器学习和深度学习来检测物联网 (IoT) 尸网络的全新框架. 这种先进的模型实现了高精度, 显著改善了物联网网络安全防御.
科学领域:
- 网络安全
- 机器学习
- 物联网 (物联网)
背景情况:
- 物联网 (IoT) 设备的快速扩张带来了重大的网络安全漏洞.
- 尸网络对网络基础设施构成严重威胁,
研究的目的:
- 开发一个强大而准确的物联网尸网络检测系统.
- 加强针对物联网环境中新出现的威胁的网络安全防御.
主要方法:
- 一个新的整体框架,集结了卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM),随机森林 (RF) 和后勤回归 (LR) 使用加权软投票.
- 实施量子统一转换以减少特征偏差和多层特征选择方法.
- 对BOT-IOT,CICIOT2023和IOT23数据集的框架进行评估.
主要成果:
- 在BOT-IOT数据集上实现了100%的准确性.
- 在CICIOT2023数据集上显示的准确率为99.2%,在IOT23数据集上显示的准确率为91.5%.
- 超过现有最先进的模型高达6.2%.
结论:
- 拟议的整体框架为物联网尸网络检测提供了可扩展和高性能解决方案.
- 该模型可适应各种网络场景,为现实世界部署提供实用优化.
- 这项研究通过更有效地检测威胁, 显著提高了物联网安全性.
