多网IDS:DRL和LSTM组合,用于在无线传感器网络中改进入侵检测
Saqib Hussain1, Jingsha He1, Ala Saleh Alluhaidan2
1College of Computer Science, Beijing University of Technology, Beijing, 100124, China.
Scientific reports
|September 30, 2025
概括
本研究介绍了MultiNet-IDS,这是一种用于无线传感器网络 (WSN) 的新型入侵检测框架. 它有效地使用深度增强学习 (DRL) 和LSTM网络识别网络威胁,增强WSN安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 无线传感器网络 (WSN) 对关键基础设施至关重要,但易受复杂的网络威胁.
- 现有的入侵检测系统与WSN的高维数据,时间动态和不断变化的攻击模式作斗争.
研究的目的:
- 开发一个强大的入侵检测框架,MultiNet-IDS,专门用于资源有限和敌对的WSN环境.
- 通过解决传统入侵检测系统的局限性来增强WSN安全性.
主要方法:
- 拟议的MultiNet-IDS框架结合了深度强化学习 (DRL),长期短期记忆 (LSTM) 网络,以及一个两阶段的整体特征选择 (EFS) 机制.
- EFS使用皮尔森相关性和相互信息来进行特征过,然后进行详尽的搜索与K折交叉验证以进行最佳子集选择.
- LSTM捕捉了时间流量依赖性; DRL能够对动态攻击行为进行自适应式学习,为非静止WSN数据形成混合组合.
主要成果:
- 在基准数据集上,MultiNet-IDS的准确性高达99.1% (UNSW-NB15,CIC-DDoS2019,Kitsune网络攻击).
- 与现有方法相比,证明了虚假阳性显著减少.
- 在适应性和精度方面,超越了最先进的入侵检测模型.
结论:
- 多网IDS为现实世界WSN部署提供了一种有效,轻量级和可通用的入侵检测解决方案.
- 混合方法有效地处理WSN数据的独特挑战,改善网络安全.
