混合ResNet-1D-BiGRU结合多头注意力机制的工业物联网环境网络攻击检测
计算机视觉与模式识别
2026-04-09 v1 人工智能
密码学与安全
摘要
本研究提出了一种用于工业物联网(IIoT)系统入侵检测的混合深度学习模型，结合ResNet-1D、BiGRU和多头注意力(MHA)进行有效的时空特征提取和基于注意力的特征加权。为解决类别不平衡问题，训练时对EdgeHoTset数据集应用了SMOTE。该模型实现了98.71%的准确率、0.0417%的损失和低的推理延迟(0.0001秒/实例)，展示了强大的实时能力。为评估泛化能力，该模型还在CICIoV2024数据集上进行了测试，达到了99.99%的准确率和F1分数，损失为0.0028，FPR为0%，推理时间为0.00014秒/实例。在所有指标和数据集上，所提出的模型均优于现有方法，证实了其在实时IoT入侵检测中的鲁棒性和有效性。
引用
@article{arxiv.2604.06481,
title = {Hybrid ResNet-1D-BiGRU with Multi-Head Attention for Cyberattack Detection in Industrial IoT Environments},
author = {Afrah Gueriani and Hamza Kheddar and Ahmed Cherif Mazari},
journal= {arXiv preprint arXiv:2604.06481},
year = {2026}
}