.png){kind=icon}
返回
Advanced intrusion detection in IoT-enabled SDWSNs using artificial intelligence and feature optimization techniques
.png){kind=icon}
OA
AI
DOI：10.1007/s00500-026-11432-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）和软件定义无线传感器网络（SDWSNs）的广泛部署为智能环境带来了新的机遇，但也使这些系统极易受到各类网络攻击。物联网赋能的SDWSNs中的传统入侵检测系统（IDSs）面临高维数据、预处理不足、特征提取复杂性、复杂特征选择、入侵识别效率低、高计算成本和实时分类问题等主要挑战，这些限制因素制约了其在资源受限的物联网网络中的性能。为解决这些局限性和挑战，本文提出了一种集成三个关键组件的混合IDS框架，包括新颖的指数灰狼优化网格搜索算法（EGWOGSA），这是一种随机优化算法，而特征选择则采用新颖的对称梯度Boruta增强特征选择算法（SGBFSA），以及用于入侵识别的门控双向循环卷积神经网络（GBR-CNN）算法。使用网络模拟器3（NS-3）和NSL-KDD数据集进行了广泛的模拟，以评估物联网赋能的SDWSNs的框架性能。结果表明，所提出的方法在大多数指标上优于其他最先进模型，实现了96.7%的训练准确率和91.6%的测试准确率，精度为98.03%，召回率为95.9%，F1得分为96.9%，并表现出低能耗和延迟、高吞吐量以及可靠的分组交付率（PDR），从而延长了网络寿命。研究表明，所提出的框架适合实时部署。本研究通过提出一种高效、准确且可扩展的IDS框架，利用高级特征优化和人工智能技术来抵御不断演变的威胁，为物联网赋能的SDWSNs安全领域的进步做出了贡献。
Keyword:
IoT-enabled SDWSN
Intrusion detection systems
NSL-KDD
SGBFSA
EGWOGSA
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
Optimizing Intrusion Detection for IoT: A Systematic Review of Machine Learning and Deep Learning Approaches With Feature Selection and Data Balancing物联网入侵检测的优化：基于特征选择和数据平衡的机器学习与深度学习方法系统综述
PREAI
分享收藏Anomaly Detection and Classification in Predictive Maintenance Tasks with Zero Initial Training在零初始训练的预测性维护任务中的异常检测与分类.png)
IoT
IoTIF0
PREAI
分享收藏分享收藏Deep-learning approach to attack handling of IoT devices using IoT-enabled network services使用支持IoT的网络服务对IoT设备进行攻击处理的深度学习方法INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏Detection of Denial-of-Service Attack in Wireless Sensor Networks: A Lightweight Machine Learning Approach无线传感器网络拒绝服务攻击检测: 一种轻量级机器学习方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容