【期刊精选】基于组合神经网络的物联网入侵检测方法

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。

本文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。

本文将改进的密集连接卷积神经网络DenseNet1D和门控循环神经网络GRU进行结合，设计一种基于组合神经网络的物联网入侵检测模型，结合二者的优点，对特征信息进行更加全面的提取。入侵检测方法的主要流程包括数据预处理阶段、训练阶段和测试阶段。

(1)数据预处理阶段：完成对原始物联网流量数据样本的预处理工作，包含字符型转数值型、独热编码和标准化三个部分，并将数据集划分为训练集和测试集用以实验。

(2)训练阶段：构建由一维卷积组成的密集连接神经网络DenseNet1D与GRU的组合神经网络作为本实验的模型，并针对不同数据集的分布情况使用不同的损失函数进行训练，通过反复实验对模型中的重要参数进行调整，最终训练出最佳的模型结构。

(3)测试阶段：通过测试集检验物联网入侵检测模型的分类效果。

本文提出了一种基于组合神经网络的物联网入侵检测方法，在空间维度上，利用多层一维卷积提取流量数据的有效特征，并利用密集连接结构处理深层次网络梯度消失难以训练的问题；在时间维度上，利用GRU网络学习潜在的时序特征，之后通过实验选择最优的模型参数。实验结果表明，对比其他方法在所用数据集上的多分类结果，本文提出的模型在准确率和其他方面都有提高。在未来的工作中将着重于数据不均衡在数据层面的处理，进一步提升数据集中数量较少的类别样本的检测率，将此方法更好地应用到物联网入侵检测系统中。

原文始发于微信公众号（网络安全与数据治理）：【期刊精选】基于组合神经网络的物联网入侵检测方法