.png){kind=icon}
返回
Towards Securing UAV-Assisted Edge Computing: A Trust-Based Intrusion Detection Framework With Multi-Source Feedback
.png){kind=icon}
PRE
AI
DOI：10.1002/spy2.70112.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在UAV辅助的边缘计算系统中，确保任务执行的安全性和高效性具有挑战性，这源于动态的网络条件以及用户或服务器可能存在的恶意行为。为解决这一问题，我们提出了一种基于信任驱动的入侵检测框架，该框架整合了深度学习和多源信任评估。具体而言，我们设计了一个基于卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制的混合入侵检测模型，用于捕捉网络流量中的复杂时空特征。此外，引入了一种多源信任机制，结合直接信任、间接信任评估以及时间衰减策略，以实时动态调整信任值。这些组件被融合进一个恶意节点检测算法（MND）中，能够实现自适应决策，用于安全任务调度与卸载。在CIC-IDS-2017数据集上，针对多样化的攻击场景进行的实验评估表明，所提出的框架可实现高达99.84%的检测准确率，与基准方案相比，任务成功率提高了10%-15%，即使在30%的节点为恶意节点的情况下，任务完成率仍能维持在90%以上。结果表明，该框架在缓解威胁和提升UAV辅助边缘计算部署的可靠性方面具有有效性。
Keyword:
attention mechanism
Bidirectional LSTM
Convolutional Neural Network (CNN)
intrusion detection
multi-source feedback
task offloading
trust mechanism
UAV-assisted edge computing
期刊
S
IF:
2.1
论文数:
126
被引数:
717
机构
引用论文
.png){kind=icon}
分享收藏Toward a Trust Evaluation Framework Against Malicious Behaviors of Industrial IoT面向工业物联网恶意行为的信任评估框架
PREAI
分享收藏
Coordinated Multipoint Transmission in Dense Cellular Networks With User-Centric Adaptive Clustering
PREAI
分享收藏Attack Classification of Imbalanced Intrusion Data for IoT Network Using Ensemble-Learning-Based Deep Neural Network基于集成学习的深度神经网络对物联网网络不平衡入侵数据的攻击分类
PREAI
分享收藏
查看更多内容