一种混合BiLSTM-CNN方法用于对物联网应用程序的入侵检测
Sapna Sadhwani1, Mohammed Abdul Hafeez Khan1, Raja Muthalagu2
1Department of Computer Science, Birla Institute of Technology and Science Pilani, Dubai Campus, Dubai International Academic City, Dubai, UAE.
Scientific reports
|December 9, 2025
概括
本研究介绍了一种混合双向长短期记忆 (Bi-LSTM) 和卷积神经网络 (CNN) 模型,用于物联网 (IoT) 中基于异常的入侵检测系统 (IDS). 新的混合IDS通过优于现有方法显著提高网络安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 越来越多的网络入侵需要先进的网络安全机制.
- 现有的入侵检测系统 (IDS) 难以跟上不断变化的网络威胁.
- 基于异常的IDS对于检测新型安全攻击至关重要.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于增强物联网 (IoT) 网络的入侵检测.
- 利用双向长期短期记忆 (Bi-LSTM) 和卷积神经网络 (CNN) 的优势,改进特征提取.
- 用UNSW-NB15数据集对已建立的基准来评估模型的性能.
主要方法:
- 实施Bi-LSTM和CNN深度学习技术.
- 设计一个混合BiLSTM-CNN模型,整合时间和空间特征提取能力.
- 使用精度,灵敏度,F1-Score和GPU和CPU上的假阳性率等指标进行性能评估.
- 与最先进的入侵检测方法进行比较.
主要成果:
- 拟议的混合BiLSTM-CNN模型在与独立BiLSTM和CNN模型相比,在对二进制分类的所有评估指标上表现出卓越的表现.
- 该模型有效地提取了时间和空间特征,这对于理解现实世界物联网网络通信至关重要.
- 混合型号的性能优于现有的最先进的入侵检测系统.
结论:
- 混合BiLSTM-CNN模型代表了对物联网环境基于异常的入侵检测的重大进步.
- 这种深度学习方法提供了一个强大的解决方案,用于增强网络安全,防止复杂的网络威胁.
- 这些发现验证了该模型的有效性和优越性,而不是当前的方法.