相关实验视频
Updated: Jan 12, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
一个具有深度学习和改进的算术优化算法 (AOA) 和正弦共弦算法 (SCA) 的物联网入侵检测系统
1Department of Computer Engineering, Istanbul Topkapi University, Istanbul, Turkey. melisarahebi@topkapi.edu.tr.
Scientific reports
|November 1, 2025
概括
本研究介绍了用于物联网 (IoT) 的先进入侵检测系统 (IDS). 新的框架提高了网络攻击检测准确性和针对新威胁的稳定性.
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) 设备由于固有的安全限制和资源限制而面临重大网络安全风险.
- 传统的入侵检测系统 (IDS) 与不平衡的数据集,高维的网络流量以及检测零日网络攻击作斗争.
研究的目的:
- 为物联网 (IoT) 提出一个先进的IDS框架,以加强对网络攻击的检测.
- 解决不平衡数据集,高维流量以及在物联网环境中检测新威胁的挑战.
主要方法:
- 利用基于游戏理论的生成对抗网络 (GAN) 来进行数据集平衡.
- 采用混合算术优化算法 (AOA) 和正弦共弦算法 (SCA) 进行最佳特征选择.
- 开发了一个并行卷积神经网络 (PCNN),与长短期记忆 (LSTM) 层集成,用于准确的攻击分类.
主要成果:
- 拟议的ASPCNNLSTM模型在NSL-KDD数据集上实现了99.86%的精度.
- 在UNSW-NB15数据集上展示了98.67%的攻击检测准确度.
- 显著优于传统的CNN,LSTM和现有的特征选择技术.
结论:
- 先进的IDS框架有效地平衡数据集,并为改进网络流量分析选择最佳功能.
- ASPCNNLSTM模型增强了空间和时间特征的学习,提供了对物联网生态系统中复杂和未知的网络威胁的强有力的检测.
