基于深度学习的HTTP TRACE在使用深光谱多层卷积神经网络的无线传感器网络中检测洪水

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:

• 无线传感器网络 (WSN) 容易受到分布式拒绝服务 (DDoS) 攻击,特别是针对带宽和CPU处理的HTTP洪水攻击.
• HTTP TRACE洪水攻击,这些攻击滥用HTTP TRACE方法与静态URL,降低WSN性能和暴露敏感数据.

研究的目的:

• 提出一个增强的深光谱多层卷积神经网络 (EDSMCNN),以改善在WSN中检测和减轻HTTP TRACE洪水攻击.
• 为了提高CPU性能,管理多个URL请求,并使用最大加权功能预测TRACE攻击流量.

主要方法:

• 数据预处理涉及使用基于格子服务速率访问值 (LSRAV) 的蜘蛛算法减少维度和选择特征.
• 在EDSMCNN模型中,使用SoftMax和物流激活功能 (SLAF) 来生成物流神经元以防止跟踪攻击.
• 功能选择考虑了URL,协议和IP地址等参数,社交蜘蛛比较了功能模式.

主要成果:

• 与标准卷积方法相比,EDSMCNN系统在检测HTTP TRACE泛滥攻击方面表现出高效率.
• 实验结果证实了CPU性能的改进和计算时间的减少,有效地减轻HTTP请求的流量.
• 该研究强调了WSN通过后门注入对TRACE攻击者的脆弱性,强调了需要采取强有力的安全措施的必要性.

结论:

• EDSMCNN模型提供了一个强大的解决方案,用于检测和减轻WSN中的HTTP TRACE洪水攻击.
• 拟议的方法通过提高性能和减少检测时间,显著提高了WSN的安全性.
• 有效的反制措施对于保护WSN的完整性和保密性,防止新出现的网络威胁至关重要.