基于轻量级 CNN 的 Wi-Fi 入侵检测系统
密码学与安全
2025-10-15 v1
摘要
Wi-Fi 网络在家庭和企业环境中无处不在，作为互联网接入的主要媒介，构成了现代物联网生态系统的 backbone。然而，这些网络的内在漏洞结合其广泛采用，为恶意行为者获取未授权访问或 compromise 连接设备上存储的敏感数据提供了机会。为解决这些挑战，我们提出了一个基于深度学习的网络入侵检测系统（NIDS）用于 Wi-Fi 环境。建立在我们之前工作的基础上，我们将网络流量转换为二维数据表示，并使用它们来训练基于卷积神经网络（CNN）架构的深度学习模型。我们实现了五种不同的生成二维表示的技术，为确保低检测延迟，我们在我们的 NIDS 中采用轻量级 CNN 架构。所使用的模型训练于公开可用的 AWID3 数据集，该数据集是 Wi-Fi NIDS 研究的基准数据集，并对二进制分类和多类分类任务进行评估。实验结果表明，所提出的方法在实现竞争性检测性能的同时具有低的推理时间，使其适用于实际的 Wi-Fi 部署场景。
关键词
引用
@article{arxiv.2510.11898,
title = {Lightweight CNN-Based Wi-Fi Intrusion Detection Using 2D Traffic Representations},
author = {Rayed Suhail Ahmad and Rehan Ahmad and Quamar Niyaz},
journal= {arXiv preprint arXiv:2510.11898},
year = {2025}
}