相关实验视频
Updated: Jan 16, 2026
08:02
Robotic Sensing and Stimuli Provision for Guided Plant Growth
Published on: July 1, 2019
8.5K
基于植物根茎生长优化智能威胁检测的物联网网络使用隐私保护技术的进步,以及优化的多头自我注意模型,以实现基于植物根茎生长优化的智能威胁检测
Mimouna Abdullah Alkhonaini1, Sara Abdelwahab Ghorashi2, Ghalib H Alshammri3
1Department of Computer Science, College of Computer and Information Sciences, Prince Sultan University, Riyadh, Saudi Arabia.
Scientific reports
|October 1, 2025
概括
本研究介绍了一种优化的多头自我注意模型,用于使用植物树生长优化 (OMHSA-IDPRGO) 进行入侵检测,以增强物联网 (IoT) 安全性. 这种新的方法在检测网络攻击方面取得了很高的准确性,改进了现有的技术.
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) 提供了便利性,但由于网络威胁的增加,它面临着重大安全风险.
- 传统的入侵检测系统 (IDS) 与新型 (零日) 攻击作斗争,需要先进的解决方案.
- 深度学习 (DL) 为识别复杂环境中新出现的网络威胁提供了一个有希望的方法.
研究的目的:
- 为物联网环境提出一个先进的,自动化的网络攻击检测系统.
- 通过深度学习提高入侵检测系统 (IDS) 的准确性和效率.
- 开发一个新的框架,OMHSA-IDPRGO,用于物联网中的智能入侵检测.
主要方法:
- 使用平均值规范化的数据预处理.
- 通过鱼优化算法 (COA) 选择最佳特征子集.
- 一个混合深度学习模型 (CNN-BiGRU-MHSAM) 具有多头自我注意力,用于入侵检测.
- 使用植物树生长优化 (PRGO) 的超参数优化.
主要成果:
- OMHSA-IDPRGO模型在Edge-IIoT和ToN-IoT数据集上表现出卓越的性能.
- 实现了高准确率,分别为99.11%和99.18%.
- 在实验评估中超越了现有的入侵检测技术.
结论:
- 通过先进的深度学习技术,OMHSA-IDPRGO框架有效地提高了物联网安全性.
- 拟议的方法为检测复杂的网络攻击提供了强大的解决方案.
- 这种方法为资源有限的物联网环境的自动入侵检测提供了重大进步.
