LBDMIDS：面向物联网网络的基于 LSTM 的深度学习入侵检测系统模型
密码学与安全
2022-07-07 v1 机器学习
摘要
近年来，我们目睹了日常活动中使用的物联网（IoT）和边缘设备数量的巨大增长。这要求提高这些设备抵御网络攻击的安全性以保护其用户。多年来，机器学习（ML）技术一直被用于开发网络入侵检测系统（NIDS），旨在提高其可靠性/鲁棒性。在早期的 ML 技术中，决策树（DT）表现良好。近年来，深度学习（DL）技术被用于尝试构建更可靠的系统。在本文中，开发了一个深度学习赋能的长短期记忆（LSTM）自编码器和一种 13 特征的深度神经网络（DNN）模型，它们在 UNSW-NB15 和 Bot-IoT 数据集上的准确率表现要好得多。因此我们提出了 LBDMIDS，其中我们基于 LSTM 的变体（即堆叠 LSTM 和双向 LSTM）开发了 NIDS 模型，并在 UNSW_NB15 和 BoT-IoT 数据集上验证了它们的性能。本文得出结论，LBDMIDS 中的这些变体优于经典 ML 技术，并且与过去提出的 DNN 模型表现相似。
引用
@article{arxiv.2207.00424,
title = {LBDMIDS: LSTM Based Deep Learning Model for Intrusion Detection Systems for IoT Networks},
author = {Kumar Saurabh and Saksham Sood and P. Aditya Kumar and Uphar Singh and Ranjana Vyas and O. P. Vyas and Rahamatullah Khondoker},
journal= {arXiv preprint arXiv:2207.00424},
year = {2022}
}