一个高效的数据驱动框架,用于在无线传感器网络中检测入侵,使用深度学习.
Priyanshu Sinha1, Dinesh Sahu2, Shiv Prakash3
1Department of Electronics and Communication, University of Allahabad, Prayag Raj, Uttar Pradesh, India.
Scientific reports
|September 30, 2025
概括
一个新的深度学习框架增强了无线传感器网络 (WSN) 的网络安全. 它结合了CNN和RNN来检测入侵,提高了WSN中针对网络威胁的准确性和弹性.
科学领域:
- 网络安全 网络安全
- 深度学习 (Deep Learning) 是一种深度学习.
- 无线传感器网络 无线传感器网络
背景情况:
- 无线传感器网络 (WSN) 对于分布式传感至关重要,但由于资源有限,它们容易受到网络安全威胁的威胁.
- 现有的入侵检测系统 (IDS) 难以应对WSN的独特挑战.
研究的目的:
- 为WSNs设计基于深度学习的强大轻量级入侵检测框架.
- 在WSN环境中增强IDS的检测准确性和对抗性稳定性.
主要方法:
- 一种混合深度学习模型,结合了卷积神经网络 (CNN) 和循环神经网络 (RNN).
- 一个具有复合目标函数的对抗意识优化模型.
- 合成过量抽样使用SMOTE进行数据平衡.
主要成果:
- 拟议的框架在多个基准数据集 (NSL-KDD,CICIDS2017,UNSW-NB15,CTU-13) 中显示出卓越的性能.
- 实现了高检测准确度,同时最大限度地减少对抗漏洞,并确保模型通用性.
- 在跨数据集和数据集内部实验中表现出强大的稳定性和可转移性.
结论:
- 开发的IDS是轻量级,有弹性,并且适合WSN部署.
- 深度学习方法在保护WSN免受复杂的网络威胁方面取得了重大进展.
