利用混合深度学习与海星优化算法,基于智能城市环境中智能边缘计算的安全机制
Amal K Alkhalifa1, Mohammed Aljebreen2, Rakan Alanazi3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, P.O. Box 84428, Riyadh, 11671, Saudi Arabia.
Scientific reports
|September 26, 2025
概括
本研究介绍了一种基于深度学习的混合入侵检测,用于边缘计算,使用星优化算法 (HDLID-ECSOA) 来保护物联网 (IoT) 设备. 这种新的技术在智能城市环境中检测威胁时达到99%以上的准确性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 边缘计算 边缘计算
背景情况:
- 物联网 (IoT) 设备在包括智能城市在内的各种领域的扩散加剧了安全问题.
- 边缘计算为物联网应用产生的大量数据的延迟敏感计算处理提供解决方案.
- 整合人工智能和深度学习方法对于开发用于物联网环境的有效入侵检测系统 (IDS) 是至关重要的.
研究的目的:
- 为边缘计算使用海星优化算法 (HDLID-ECSOA) 技术提出一种新的基于深度学习的混合入侵检测.
- 为了提高智能城市基础设施内的智能边缘计算的安全性.
- 为了提高物联网安全性,利用先进的优化模型.
主要方法:
- 使用min-max规范化进行数据预处理以实现数据标准化.
- 使用Dingo优化算法 (DOA) 进行特征选择.
- 使用混合卷积神经网络 (CNN) 和具有交叉注意力机制 (CrAM) 的双向门式循环单元 (BiGRU) 的入侵分类.
- 通过星优化算法 (SFOA) 进行超参数调整,以获得最佳的模型性能.
主要成果:
- 在Edge-IIoT和ToN-IoT数据集上,HDLID-ECSOA模型展示了卓越的性能.
- 实现了分别99.35%和99.33%的高准确率,超过了现有的入侵检测技术.
- 拟议的方法有效地识别和分类边缘计算环境中的入侵.
结论:
- 高亮度ECSOA技术为物联网边缘计算中的入侵检测提供了有效和准确的解决方案.
- 深度学习和高级优化算法的集成显著提高了智能城市应用程序的网络安全.
- 该研究验证了人工智能驱动的安全模型在保护复杂物联网生态系统方面的潜力.
