Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Cải thiện phát hiện xâm nhập trong mạng cảm biến không dây thông qua mạng lai sâu được tăng cường bởi cơ chế chú ý không gian và kênh
Tóm tắt
Mạng cảm biến không dây (WSN) thường được triển khai trong các môi trường không có người hoặc môi trường thù địch, làm cho chúng dễ bị tấn công từ nhiều loại khác nhau. Việc bảo mật cho WSN là rất quan trọng, đặc biệt khi chúng giám sát các dữ liệu nhạy cảm hoặc quan trọng. Việc sử dụng Hệ thống Phát hiện Xâm nhập (IDS) có thể hỗ trợ trong việc xác định truy cập trái phép hoặc các hoạt động nguy hiểm trong mạng. Trong lĩnh vực Các hệ thống phát hiện xâm nhập mạng (NIDS), các phương pháp truyền thống có nhiều hạn chế trong việc phát hiện các mối đe dọa mới và các mẫu tấn công chưa biết một cách hiệu quả. Để giải quyết những vấn đề này, nghiên cứu này giới thiệu một phương pháp mới được biết đến với tên gọi Mạng Lai Sâu với Chú ý Không gian và Kênh (DHN-SCA). Phương pháp này kết hợp các kỹ thuật học sâu với các cơ chế chú ý. Mạng DHN sử dụng các Mạng Nơ-ron Tích chập (CNN) cùng với một Mô-đun Chú ý Địa phương để cải thiện độ chính xác và hiệu quả của việc phát hiện xâm nhập. Mô-đun Chú ý Địa phương bao gồm hai thành phần: chú ý không gian và chú ý kênh. Chú ý không gian sử dụng bình quân trên các tensor đặc trưng, trong khi Chú ý Kênh kết hợp cả bình quân toàn cục và bình quân tối đa toàn cục, sau đó là các lớp kết nối đầy đủ. Các thành phần này tinh chỉnh tensor đặc trưng bằng cách nhân từng phần với các đặc trưng gốc. Hiệu suất của DHN được kiểm tra và đánh giá thông qua các tập dữ liệu chuẩn. Các chỉ số đánh giá như độ chính xác, độ tinh cậy, độ nhạy và điểm F1 được sử dụng để đo lường hiệu suất của DHN so với các phương pháp phát hiện xâm nhập khác.
Từ khóa
#mạng cảm biến không dây #hệ thống phát hiện xâm nhập #học sâu #chú ý không gian #chú ý kênh #mạng lai sâu #phát hiện xâm nhậpTài liệu tham khảo
Xie, H., Yan, Z., Yao, Z., Atiquzzaman, M.: Data collection for security measurement in wireless sensor networks: a survey. IEEE Internet Things J. 6(2), 2205–2224 (2019). https://doi.org/10.1109/JIOT.2018.2883403
Butun, I., Österberg, P., Song, H.: Security of the Internet of Things: vulnerabilities, attacks, and countermeasures. IEEE Commun. Surv. Tutor. 22(1), 616–644 (2022). https://doi.org/10.1109/COMST.2019.2953364
Tomić, I., McCann, J.A.: A survey of potential security issues in existing wireless sensor network protocols. IEEE Internet Things J. 4(6), 1910–1923 (2017). https://doi.org/10.1109/JIOT.2017.2749883
Alkahtani, H., Aldhyani, T.H.H.: Intrusion detection system to advance Internet of Things infrastructure-based deep learning algorithms. Complexity 2021, 5579851 (2021)
Ramasamy, K., Anisi, M.H., Jindal, A.: E2DA: energy efficient data aggregation and end-to-end security in 3D reconfigurable WSN. IEEE Trans. Green Commun. Netw. 6(2), 787–798 (2022). https://doi.org/10.1109/TGCN.2021.3126786
Lata, S., Mehfuz, S., Urooj, S.: Secure and reliable WSN for Internet of Things: challenges and enabling technologies. IEEE Access 9, 161103–161128 (2021). https://doi.org/10.1109/ACCESS.2021.3131367
Edeh, D.I.: Network intrusion detection system using deep learning technique. M.S. thesis, Dept. Comput., Univ. Turku, Turku, Finland (2021)
Sharma, M., Elmiligi, H., Gebali, F.: A novel intrusion detection system for RPL-based cyber-physical systems. IEEE Can. J. Electrical Comput. Eng. 44(2), 246–252 (2021). https://doi.org/10.1109/ICJECE.2021.3053231
Jiang, S., Zhao, J., Xu, X.: SLGBM: an intrusion detection mechanism for wireless sensor networks in smart environments. IEEE Access 8, 169548–169558 (2020). https://doi.org/10.1109/ACCESS.2020.3024219
Sreedhara, S.H., Kumar, V., Salma, S.: Efficient big data clustering using adhoc fuzzy C means and auto-encoder CNN. In: Smys, S., Kamel, K.A., Palanisamy, R. (eds.) Inventive Computation And Information Technologies: Lecture Notes In Networks and Systems, vol. 563. Springer, Singapore (2023). https://doi.org/10.1007/978-981-19-7402-1_25
Almomani, O., et al.: Machine learning classifiers for network intrusion detection system: comparative study. In: 2021 International Conference on Information Technology (ICIT). pp. 440–445. https://doi.org/10.1109/ICIT52682.2021.9491770 (2021)
Sirisha, A., et al.: Intrusion detection models using supervised and unsupervised algorithms: a comparative estimation. Int. J. Saf. Sec. Eng. 11(1), 51–58 (2021). https://doi.org/10.18280/ijsse.110106
Maseer, Z.K., et al.: Benchmarking of machine learning for anomaly based intrusion detection systems in the CICIDS2017 dataset. IEEE Access 9, 22351–22370 (2021). https://doi.org/10.1109/ACCESS.2021.3056614
Ao, H.: Using machine learning models to detect different intrusion on NSL-KDD. In: 2021 IEEE International Conference on Computer Science, Artificial Intelligence and Electronic Engineering (CSAIEE). pp. 166–177. https://doi.org/10.1109/CSAIEE54046.2021.9543241 (2021)
Pujar, P., Kumar, A., Kumar, V.: Efficient plant leaf detection through machine learning approach based on corn leaf image classification. IAES Int. J. Artific. Intell. (IJ-AI) 13(1), 1139–1148 (2024). https://doi.org/10.11591/ijai.v13.i1.pp1139-1148. (ISSN: 2252-8938)
Anwar, F., Saravanan, S.: Comparison of artificial intelligence algorithms for IoT Botnet detection on apache spark platform. In: Procedia Computer Science. 4th International Conference on Innovative Data Communication Technology and Application, pp. 499–508. https://doi.org/10.1016/j.procs.2022.12.052. URL: https://www.sciencedirect.com/science/article/pii/S1877050922021238 (2022) (ISSN: 1877–0509)
Lawrence, H., et al.: CUPID: a labeled dataset with Pentesting for evaluation of network intrusion detection. J. Syst. Archit. 2022, 102621 (2022). https://doi.org/10.1016/j.sysarc.2022.102621
Gaber, T., El-Ghamry, A., Hassanien, A.E.: Injection attack detection using machine learning for smart IoT applications. Phys. Commun. 52, 101685 (2022). https://doi.org/10.1016/j.phycom.2022.101685. (ISSN: 1874-4907)
Almomani, I., Al-Kasasbeh, B., Al-Akhras, M.: WSN-DS: a dataset for intrusion detection systems in wireless sensor networks. J. Sens. 2016, 1–16 (2016)
Alaparthy, V.T., Morgera, S.D.: A multi-level intrusion detection system for wireless sensor networks based on immune theory. IEEE Access 6, 47364–47373 (2018)
Yao, Y., Yang, X., Li, X., Tian, Y., Liao, H., Mao, Z.: An efficient anti-intrusion detection algorithm based on MEP for directional sensor networks. IEEE Sens. J. 23(11), 12224–12236 (2023). https://doi.org/10.1109/JSEN.2023.3265927
Zhao, R., et al.: An efficient intrusion detection method based on dynamic autoencoder. IEEE Wirel. Commun. Lett. 10(8), 1707–1711 (2021). https://doi.org/10.1109/LWC.2021.3077946
Siddique, K., Akhtar, Z., Khan, F.A., Kim, Y.: KDD cup 99 data sets: a perspective on the role of data sets in network intrusion detection research. Computer 52(2), 41–51 (2019)
Ingre, B., Yadav, A.: Performance analysis of NSL-KDD dataset using ANN. In: Proc. Int. Conf. Signal Process. Commun. Eng. Syst. (SPACES), pp. 92–96 (2015)
Moustafa, N., Slay, J.: UNSW-NB15: A comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). In: Proc. Mil. Commun. Inf. Syst. Conf. (MilCIS), pp. 1–6 (2015)
Ahmad, R., Wazirali, R., Bsoul, Q., Abu-Ain, T., Abu-Ain, W.: Feature-selection and mutual-clustering approaches to improve DoS detection and maintain WSNs’ lifetime. Sensors 21(14), 4821 (2021)
Wazirali, R., Ahmad, R.: Machine learning approaches to detect DoS and their effect on WSNs lifetime. Comput. Mater. Contin. 70(3), 4922–4946 (2022)
Polat, H., Türkoğlu, M., Polat, O., Şengür, A.: A novel approach for accurate detection of the DDoS attacks in SDN-based SCADA systems based on deep recurrent neural networks. Expert Syst. Appl. 197, 116748 (2022)
Lecun, Y., Bottou, L., Bengio, Y., Haffner, P.: Gradient-based learning applied to document recognition. Proc. IEEE 86(11), 2278–2324 (1998)
Chollet, F.: Xception: Deep learning with depthwise separable convo lutions. In: Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), pp. 1800–1807 (2017)
Yao, C., Yang, Y., Yin, K., Yang, J.: Traffic anomaly detection in wireless sensor networks based on principal component analysis and deep convolution neural network. IEEE Access 10, 103136–103149 (2022). https://doi.org/10.1109/ACCESS.2022.3210189