基于MFCCs的鲁棒网络入侵检测特征提取
密码学与安全
2025-07-16 v1 无序系统与神经网络
人工智能
机器学习
摘要
物联网(IoT)网络的快速扩张导致安全漏洞激增，凸显出对异常检测和分类技术的迫切需求。本文提出了一种新方法，通过利用梅尔频率倒谱系数(MFCC)和ResNet-18（一种以特征提取和图像任务效果著称的深度学习模型）来识别IoT网络流量中的异常。可学习的MFCC实现了自适应的频谱特征表示，更有效地捕捉网络流量中固有的时序模式，优于传统固定MFCC。我们展示，将原始信号转换为MFCC将数据映射到更高维空间，从而增强类别可分性，使更有效的多类分类成为可能。我们的方法将MFCC的优势与ResNet-18的强大特征提取能力相结合，为异常检测提供了强大的框架。该模型在三个广泛使用的IoT入侵检测数据集上进行评估：CICIoT2023、NSL-KDD和IoTID20。实验结果突显了将自适应信号处理技术与深度学习架构相结合，以实现异构IoT网络环境中稳健且可扩展的异常检测潜力。
引用
@article{arxiv.2507.10622,
title = {Spectral Feature Extraction for Robust Network Intrusion Detection Using MFCCs},
author = {HyeYoung Lee and Muhammad Nadeem and Pavel Tsoi},
journal= {arXiv preprint arXiv:2507.10622},
year = {2025}
}