编辑推荐：
针对物联网（IoT）网络面临的攻击检测与隐私保护难题，研究人员构建攻击检测与隐私保护框架，采用 ARI-SLOA 选特征，DSN-LSTM 识别攻击，AHABE-AES 加密。结果显示准确率 95%，FDR 8%，FNR 4%，为 IoT 安全提供新方案。
随着物联网（IoT）在智能城市、智慧医疗等领域的广泛应用，其网络安全问题日益凸显。物联网设备数量庞大且资源受限，面临着数据泄露、未经授权访问、分布式拒绝服务（DDoS）攻击等威胁，传统安全措施难以满足需求。例如，2016 年的 Mirai 恶意软件攻击，通过暴力破解弱密码控制大量 IoT 设备，造成严重网络瘫痪。此外，物联网设备常使用默认用户名和密码，用户隐私保护技术不足，急需更高效的攻击检测与隐私保护方案。
为解决这些问题，研究人员开展了物联网攻击检测与隐私保护研究。研究成果发表在《Expert Systems with Applications》。
研究采用的关键技术方法包括：
- 自适应随机索引海狮优化算法（ARI-SLOA）：用于从采集数据中选择最优特征，通过优化参数最大化方差和相关系数，减少计算时间并提高特征准确性。
- 深浅网络结合长短期记忆网络（DSN-LSTM）：对筛选后的特征进行攻击识别，利用深度学习模型捕捉数据中的异常模式和时间序列特征。
- 混合属性加密与高级加密系统（AHABE-AES）：通过 ARI-SLOA 优化加密参数，结合属性基加密（ABE）和高级加密标准（AES），实现数据传输和存储中的隐私保护，降低内存占用和加密时间。
攻击检测与特征选择
研究首先通过 ARI-SLOA 从数据中筛选关键特征。该算法模拟海狮优化过程，通过自适应随机索引策略提高搜索效率，有效减少特征维度的同时保留高判别性信息，为后续攻击识别奠定基础。
基于 DSN-LSTM 的攻击识别
将优化后的特征输入 DSN-LSTM 模型。该模型结合浅层网络的快速特征提取能力和深层网络的复杂模式识别能力，利用长短期记忆网络（LSTM）处理时序数据，能够准确识别物联网中的暴力破解、DDoS 等攻击类型。实验结果显示，该模型攻击检测准确率达 95%，误检率（FDR）8%，漏检率（FNR）4%，性能优于传统机器学习模型。
隐私保护与加密算法优化
为保障数据传输和存储安全，研究设计 AHABE-AES 混合加密方案。通过 ARI-SLOA 优化 ABE 和 AES 的密钥选择，实现属性策略下的细粒度访问控制与高效数据加密。该方案在保证安全性的同时，减少了加密数据体积和计算开销，提升了网络传输性能，有效应对物联网设备资源受限的挑战。
研究结论与意义
本研究构建的物联网攻击检测与隐私保护框架，通过机器学习与加密技术的结合，显著提升了物联网网络的安全性。ARI-SLOA 的特征优化增强了模型效率，DSN-LSTM 实现了高精度攻击识别，AHABE-AES 则确保了数据隐私。实验表明，该方案在准确率、误检率等关键指标上表现优异，为物联网设备抵御新型网络攻击、保护用户隐私提供了可行的技术路径，对推动智能城市、智慧医疗等领域的安全发展具有重要意义。研究结果为后续物联网安全研究提供了新的思路和方法参考，有助于促进物联网技术在更多高安全需求场景中的应用。
