kaiyun官方注册
您所在的位置： 首页> 通信与网络> 设计应用> 基于组合神经网络的物联网入侵检测方法
基于组合神经网络的物联网入侵检测方法
网络安全与数据治理 4期
曾凡锋，谢世游，王景中
(北方工业大学 信息学院，北京100144)
摘要：针对物联网流量入侵检测的全局特征提取问题，对现有的网络入侵检测方法进行了改进，提出了一种基于组合神经网络的入侵检测方法。首先利用一维密集连接卷积神经网络对数据集中流量的空间特征进行提取；然后利用门控循环神经单元进一步提取时序特征，完成对物联网流量数据的时空特征提取；最后采用UNSW-NB15和Bot-iot数据集对组合神经网络模型进行多分类训练和测试。实验结果表明，所提方法在准确率以及其他评价指标方面均有一定的提高，表明了该方法的有效性。
中图分类号：TP393.08
文献标识码：A
DOI：10.19358/j.issn.2097-1788.2022.04.007
引用格式： 曾凡锋，谢世游，王景中. 基于组合神经网络的物联网入侵检测方法[J].网络安全与数据治理，2022，41(4)：42-48.
Intrusion detection method of Internet of Things based on combined neural network
Zeng Fanfeng，Xie Shiyou，Wang Jingzhong
(College of Information Technology，North China University of Technology，Beijing 100144，China)
Abstract：Aiming at the global feature extraction problem of traffic data of Internet of Things, the existing methods for network intrusion detection are improved, and an intrusion detection method based on combined neural network is proposed. Firstly, the spatial features of the traffic data in the data set are extracted by one-dimensional densely connected convolutional neural network, and then the gated recurrent unit is used to further extracts time series features to complete the spatiotemporal feature extraction of traffic data in Internet of Things. Finally, the UNSW-NB15 and Bot-iot datasets are used for multi-class training and testing of the combined neural network model. The experimental results show that the proposed method has certain improvement in the accuracy and other evaluation indicators, which shows the effectiveness of the method.
Key words :Internet of Things；intrusion detection；global feature extraction；combined neural network；multi classification

0 引言

物联网是现代科技潮流中最炙手可热的技术之一，近十年来，物联网的设备数量飞速增长，其应用场景也日益增多。但是，物联网技术的进步在带给人们生活便利的同时，也带来了安全隐患，网络攻击可对个人信息甚至国家安全造成严重威胁，所以物联网的安全问题成为了整个物联网和信息系统的重要组成部分。

入侵检测系统(Intrusion Detection System，IDS)是一种安全机制,通过分析主机审计数据、网络流量数据等特征来监测和过滤网络行为,在网络通信中识别出异常访问，达到保护网络信息安全的目的[1]。近年来，基于机器学习、深度学习等人工智能的入侵检测方法研究开始应用在不同的网络检测中。文献[2]结合了LSTM和RNN，提出基于LSTM-RNN混合模型的入侵检测方法，检测效果有一定提升，但仅使用循环神经网络无法有效地提取流量数据的空间维度特征，在一定程度上限制了准确率的提高,且其使用的数据集时间较为久远，不包括大多数现有的物联网网络攻击模式。文献[3]提出基于CNN-LSTM的入侵检测方法，进行时空特征的提取，取得了较好的检测准确率。但普通的卷积神经网络不能学习到深层次的特征，而深层次卷积神经网络中，虽然模型检测能力随着网络层次的增加而增强，但是却存在梯度消失或梯度爆炸等问题，导致整个网络模型的性能欠佳。

本文在上述问题的基础上，提出一种组合神经网络模型。将改进的卷积神经网络和循环神经网络连接起来，在神经网络方面，参考了密集连接卷积神经网络DenseNet的结构，并将其改进为由一维卷积组成的密集连接结构，之后与门控循环神经单元(Gate Recurrent Unit，GRU)相连，充分利用网络流量数据的空间和时间特征，更加全面地对一维数据特征进行提取；在数据方面，使用专业且较新的物联网数据集进行测试；而在损失函数方面，为不同的数据集选择合适的损失函数进行参数更新，从而完成对物联网数据的入侵检测。




本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004989。





作者信息：

曾凡锋，谢世游，王景中

(北方工业大学 信息学院，北京100144)


此内容为AET网站原创，未经授权禁止转载。

相关内容

Baidu
map