基于SE增强ViT和BiLSTM的工业与医疗物联网安全入侵检测
密码学与安全
2026-04-09 v1 人工智能
计算机视觉与模式识别
摘要
随着工业和医疗物联网（IIoT和MIoT）生态系统中互联设备的快速增长，确保及时准确地检测网络威胁已成为一项关键挑战。本研究提出了一种基于混合Squeeze-and-Excitation注意力视觉Transformer-双向长短期记忆（SE ViT-BiLSTM）架构的先进入侵检测框架。在该设计中，视觉Transformer的传统多头注意力机制被替换为Squeeze-and-Excitation注意力，并与BiLSTM层集成，以提高检测精度和计算效率。所提出的模型在两个真实世界的基准数据集EdgeIIoT和CICIoMT2024上进行了训练和评估，分别在使用合成少数类过采样技术（SMOTE）和随机过采样器进行数据平衡前后。实验结果表明，SE ViT-BiLSTM模型在多个指标上优于现有方法。在平衡前，该模型在EdgeIIoT上达到了99.11%的准确率（假阳性率：0.0013%，延迟：0.00032秒/实例），在CICIoMT2024上达到了96.10%的准确率（假阳性率：0.0036%，延迟：0.00053秒/实例）。平衡后，性能进一步提升，在EdgeIIoT上达到99.33%的准确率，延迟为0.00035秒/实例；在CICIoMT2024上达到98.16%的准确率，延迟为0.00014秒/实例。
引用
@article{arxiv.2604.06254,
title = {SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments},
author = {Afrah Gueriani and Hamza Kheddar and Ahmed Cherif Mazari and Seref Sagiroglu and Onur Ceran},
journal= {arXiv preprint arXiv:2604.06254},
year = {2026}
}