混合循环与尖端神经网络模型用于物联网网络安全中的增强异常预测
Mohammed Mustafa1, Sarah M Eljack Babiker2, Yasir Eltigani Ali Mustafa3
1Faculty of Computers and Information Technology, University of Tabuk, Tabuk, Saudi Arabia.
Frontiers in artificial intelligence
|October 27, 2025
概括
一个新的混合循环神经网络 (RNN) 和尖端神经网络 (SNN) 模型,HRSNN,通过准确检测网络异常,显著提高物联网 (IoT) 的安全性. 这种先进的深度学习方法为物联网环境中的复杂网络威胁提供了强大的解决方案.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 设备的快速扩张带来了不断升级的网络安全挑战.
- 传统的深度学习方法与物联网网络中识别异常的复杂性作斗争.
研究的目的:
- 提出一种新的混合神经网络 (NN) 架构,HRSNN,结合Recurrent-NN (RNN) 和Spiking-NN (SNN) 以提高物联网安全性.
- 加强在物联网环境中检测复杂的网络威胁.
主要方法:
- 一个五步过程,涉及数据预处理,使用RNN进行特征提取,使用SMOTE进行类均等,通过RFE进行特征优化和分类.
- 整合RNN用于空间特征学习和SNN用于时间适应性.
主要成果:
- 该HRSNN模型实现了高准确率:CIC-IoT23数据集的准确率为99.5%,TON_IoT数据集的准确率为98.75%.
- 与现有的深度学习模型相比,在识别物联网网络异常方面表现出卓越的性能.
结论:
- HRSNN架构代表了物联网安全的重大进步,可提供对各种威胁的可靠和准确检测.
- 混合模型有效地解决了保护物联网网络免受不断变化的网络威胁的挑战.