隐层维度对物联网僵尸网络检测性能的影响：VAE 编码器 vs ViT 编码器
机器学习
2025-04-22 v1 人工智能
摘要
物联网 (IoT) 技术的快速发展导致物联网设备、应用程序和服务数量显著增加。大量物联网设备的普及使其成为各种网络攻击，尤其是通过物联网僵尸网络的攻击的主要目标，导致物联网生态系统成为主要安全关注领域。本研究旨在探讨隐层维度如何影响在训练数据集的低维潜在空间表示上训练的不同深度学习分类器的性能。本研究的主要目标是比较两种前沿架构——视觉转换器 (Vision Transformer, ViT) 和变分自编码器 (Variational Auto-Encoder, VAE) 的编码器组件在将高维训练数据集投影到所学低维潜在空间时，所得模型结果。编码器组件用于将高维结构化 .csv 物联网僵尸网络流量数据集投射到 various latent 大小。评估于 N-BaIoT 和 CICIoT2022 数据集，结果表明 VAE 编码器基于维度简化的分类器在四项绩效指标上（包括准确率、精确率、召回率和 F1-score）均优于 ViT 编码器基于维度简化的分类器，该结果可归因于该数据集缺乏 ViT 模型试图从图像实例中学习和提取的空间模式。
引用
@article{arxiv.2504.14879,
title = {Impact of Latent Space Dimension on IoT Botnet Detection Performance: VAE-Encoder Versus ViT-Encoder},
author = {Hassan Wasswa and Aziida Nanyonga and Timothy Lynar},
journal= {arXiv preprint arXiv:2504.14879},
year = {2025}
}