增强的入侵检测系统物联网网络安全模型通过前神经网络和机器学习
Abdullah Mujawib Alashjaee1, Fahad Alqahtani2
1Department of Computer Sciences, College of Science, Northern Border University, Arar, Kingdom of Saudi Arabia. abdullah.alashjaee@nbu.edu.sa.
Scientific reports
|October 15, 2025
概括
本研究介绍了一种混合入侵检测系统 (IDS),使用深度学习 (DL) 和机器学习 (ML) 来增强物联网 (IoT) 安全性. 这种新型模型在检测网络威胁方面达到99%的准确性,优于现有的方法.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 物联网 (IoT) 网络面临着不断升级的网络威胁.
- 传统的入侵检测系统 (IDS) 受到资源限制和不断变化的攻击模式的限制.
- 对于当前的IDS来说,实时的复杂攻击是一个挑战.
研究的目的:
- 开发一种新的混合IDS,集成深度学习 (DL) 和机器学习 (ML),以提高物联网安全性.
- 为了提高攻击检测准确度,同时最大限度地减少物联网网络中的计算开销.
- 创建一个可扩展和高效的混合IDS模型,用于强大的入侵检测.
主要方法:
- 提出了一种混合IDS,将Feed Forward神经网络 (FFNN) 和XGBoost结合起来.
- 使用主要组件分析 (PCA) 进行特征选择.
- 在CIC IoT 2023数据集上训练和评估模型,用于实时攻击数据分析.
主要成果:
- 在检测入侵方面实现了99%的卓越准确度,超过了现有的IDS技术.
- 混合型FFNN-XGBoost模型表现出比独立的FFNN和XGBoost分类器更好的性能.
- 显著提高了精度,回忆和F1分数,用于强大的入侵检测.
结论:
- 混合FFNN-XGBoost IDS为物联网安全提供了一个可扩展和高效的解决方案.
- 该研究为解决IDS中的数据集失衡和特征选择等挑战提供了有价值的见解.
- 这些发现支持未来的入侵检测进步,利用DL和ML方法用于物联网环境.