保护隐私的区块链集成可解释的人工智能,具有两层优化,用于物联网中的网络威胁检测和缓解

科学领域:

• 网络安全和人工智能 人工智能
• 机器学习用于威胁检测.
• 在安全领域的可解释AI (XAI)

背景情况:

• 传统的网络安全工具与那些躲避检测的复杂网络攻击作斗争.
• 人工智能 (AI),特别是可解释性AI (XAI),通过提供透明的攻击洞察力来增强网络威胁的追捕.
• 区块链 (BC) 技术为物联网 (IoT) 平台的分布式信任提供解决方案,与安全数据传输相关.

研究的目的:

• 通过使用可解释的人工智能与反复神经网络 (TTOCDM-XAIRNN) 方法论,为网络威胁检测和缓解提供一种新的双层优化算法.
• 改善在动态环境中检测和减轻网络威胁.
• 利用区块链来实现安全的集群间数据传输.

主要方法:

• 使用线性缩放规范化 (LSN) 进行数据预处理以实现特征标准化.
• 通过Pelican优化算法 (POA) 减少尺寸,以选择相关属性.
• 网络威胁检测使用基于注意力的混合长期短期记忆和双向门式反复单元 (A-LSTM-BiGRU) 模型.
• 使用地球优化算法 (EOA) 进行超参数优化.
• 可以解释的AI (XAI) 与SHAP用于透明的决策洞察力.
• 区块链 (BC) 用于安全的数据传输.

主要成果:

• 在网络威胁检测和缓解方面,TTOCDM-XAIRNN模型展示了卓越的性能.
• 在NSLKDD数据集上达到98.34%的高准确率,在CICIDS 2017数据集上达到98.87%.
• XAI提供了对模型决策的透明见解,增强了对威胁缓解过程的信任和理解.

结论:

• 拟议的TTOCDM-XAIRNN方法有效地提高了在动态环境中的网络威胁检测和缓解.
• 集成XAI和BC技术显著提高了网络安全系统的可靠性和透明度.
• 该模型的高精度验证了其在现实世界的网络安全场景中实际应用的潜力.