CyberDetect MLP是一个大数据实现的优化深度学习框架,用于在物联网环境中可扩展的网络攻击检测
Talluri Upender1, M Neelakantappa2, C Prakasa Rao3
1Department of Computer Science and Engineering, CMR College of Engineering & Technology, Hyderabad, Telangana, India. talluri.upender@gmail.com.
Scientific reports
|November 19, 2025
概括
CyberDetect-MLP提供了一个可扩展,可解释的深度学习框架,用于检测物联网 (IoT) 网络攻击. 它实现了高精度,解决了大数据环境中传统系统的局限性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 大数据分析大数据分析
背景情况:
- 物联网 (IoT) 生态系统的扩散产生了大量的多维数据,为网络威胁创造了重要的攻击表面.
- 传统的入侵检测系统 (IDS) 和许多机器学习 (ML) 模型在可扩展性,可解释性和高维数据流方面扎,限制了它们在大规模物联网应用中的有效性.
研究的目的:
- 提出CyberDetect-MLP,一个可扩展,可解释,大数据支持和优化的深度学习框架,用于物联网网络攻击检测.
- 解决现有的IDS和ML模型在处理物联网安全复杂性的局限性.
主要方法:
- 使用Apache Spark进行分布式数据摄入和预处理.
- 实现基于相互信息的特征选择.
- 采用多层感知子 (MLP) 进行批量规范化,脱落和共弦化调度.
- 集成了一个可选的可解释AI (XAI) 模块,使用Grad-CAM和SHAP进行透明化.
主要成果:
- 在TON_IoT数据集上,CyberDetect-MLP实现了98.87%的准确性和99.10%的ROC-AUC,超过了Random Forest,XGBoost和香草MLP等基线模型.
- 废除研究和可解释性评估证实了该框架的稳定性和可信度.
结论:
- 拟议的CyberDetect-MLP框架有效地弥合了大数据分析和网络安全的可解释深度学习之间的差距.
- 它提供了一个端到端的IDS解决方案,适用于智能城市,工业物联网和关键基础设施的实时应用.
- 该框架的公开可用性促进了物联网安全研究的可复制性和透明度.