SCNN-Bi-LSTM入侵检测模型

联邦学习保隐私

通过非洲秃鹫优化算法自动微调混合深度学习模型超参数，在WSN-DS和CIC-IDS-2017数据集上取得了比现有方法更优的检测精度。

Soumya Ranjan, Jena · Ur Rahman, Md Zia · Sinha, Deepak Kumar · P. Rajendra, kumar · Vimal, Vrince · Singh, Kamred Udham · Thalakola, Syamsundararao · J N V R Swarup, Kumar · Balajee, J

IEEE Transactions on Consumer Electronics 2024

技术优势

检测更准

在WSN-DS、CIC-IDS-2017和WSN-BFSF数据集上均取得更高的准确率、精确率、召回率和F1分数，能更可靠地发现入侵。

隐私不泄露

采用联邦学习框架，各节点数据不出本地，仅共享模型更新，避免原始流量数据集中暴露。

超参数自调优

利用非洲秃鹫优化算法自动微调SCNN-Bi-LSTM的超参数，减少人工调参工作并提升模型效果。

未知攻击可识别

混合深度学习模型能学习复杂流量模式，对未出现过的攻击类型也能有效分类。

应用场景

• 无线传感器网络安全：直接部署到传感器节点或网关，实时检测并阻断针对WSN的入侵攻击。
• 网络入侵检测：替换传统基于规则的IDS，降低漏报并识别新的攻击模式。
• 联邦学习隐私保护：在多个机构间协作训练模型而无需共享原始流量数据。