一种用于海上雷达网络入侵检测的新型深度学习方法

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 深度学习应用程序

背景情况:

• 海上雷达网络是关键基础设施,越来越容易受到复杂的网络攻击.
• 传统的入侵检测系统 (IDS) 由于手动特征提取和浅层机器学习,缺乏针对不断发展的威胁的实时能力.
• 需要先进的自动检测方法来保护海上雷达系统.

研究的目的:

• 开发和评估一个新的基于深度学习的入侵检测系统 (IDS) MARINERNet,适用于海上雷达网络.
• 解决传统IDS在实时检测复杂网络威胁方面的局限性.
• 加强关键海上基础设施的安全性和抵御网络攻击的弹性.

主要方法:

• 开发了MARINERNet,这是一个具有1D卷积层,挤压激发块和残余连接的深度学习模型.
• 利用一种新的架构,从原始海上雷达网络数据中自动提取特征.
• 在二进制 (异常检测) 和多类分类任务上对系统进行了评估.

主要成果:

• 在海上雷达网络的入侵检测方面,MARINERNet取得了最先进的性能.
• 证明了98.52%的准确性用于多类分类和完美的准确性 (100%) 异常检测.
• 深度学习方法有效地自动提取特征,提高检测准确度.

结论:

• 海洋雷达网络 (MARINERNet) 提供了一种强大且可扩展的解决方案,用于在海上雷达网络中实时检测入侵.
• 基于深度学习的系统显著提高了关键海上基础设施的网络安全.
• 拟议的方法适应性强,可应用于其他网络安全领域.