.png){kind=icon}
返回
Machine Learning-Based Multilevel Intrusion Detection Approach
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14020323.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于多层级的入侵检测模型。首先，我们设计了一种集成共享特征技术，该技术通过筛选特征创建通用数据集，保留较少但更显著的特征以提升模型检测精度并降低计算成本。第一阶段采用OC-SVM对基于通用数据集的正常与异常流量进行高效分类。此外，第一阶段部署在靠近监控系统的位置，以实现低延迟预测和隐私保护操作，从而增强灵活性并改善全局分类性能。第二阶段提出了一种具有多头动态机制（MHD）框架的新型边缘注意力网络（EGAT），该机制引入图注意力机制并将边信息作为唯一元素，为表现出高相似性的节点和边分配更大权重，强调它们之间的关系，进而提升模型的精度和表达能力。MHDEGAT模型通过整合多头注意力机制与边特征实现额外权重学习，而加权聚合过程则增强了不同网络流量间的数据利用。最后，使用来自燃气工业控制系统的网络数据进行模型训练与测试，准确率达到96.99%，精确率为97.11%，召回率为96.99%，F1得分为96.93%，均优于对比方法。
Keyword:
industrial control systems
multilevel-based model
graph attention
multi-head attention
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Anomal-E: A self-supervised network intrusion detection system based on graph neural networksAnomal-e: 基于图神经网络的自监督网络入侵检测系统
OAAI
.png){kind=icon}
OAAI分享收藏Ensemble Common Features Technique for Lightweight Intrusion Detection in Industrial Control System工业控制系统轻量级入侵检测的集成通用特征技术
PREAI
分享收藏Smart manufacturing process and system automation - A critical review of the standards and envisioned scenarios智能制造流程和系统自动化-对标准和设想方案的严格审查
PREAI
分享收藏DCNNBiLSTM: An Efficient Hybrid Deep Learning-Based Intrusion Detection SystemDCNNBiLSTM: 一种高效的基于混合深度学习的入侵检测系统OAAI
OAAI分享收藏
查看更多内容