编辑推荐：
针对认知物联网（CIoT）设备因资源受限导致传统安全协议失效的问题，研究人员提出基于 AI（LSTM 和 GRU）的安全模型。通过特征选择优化，模型检测多种网络攻击精度超 99%，为 CIoT 在智能城市等场景的安全应用提供高效方案。
在智能化浪潮席卷的当下，物联网设备早已深入生活各个角落。但随着认知物联网（Cognitive Internet of Things, CIoT）与先进通信系统的深度融合，其安全漏洞却成为心腹大患。CIoT 设备计算资源和存储能力有限，传统安全协议难以招架网络攻击，数据隐私泄露、系统被恶意操控等风险如影随形。如何在资源受限的条件下为 CIoT 构建坚固的安全防线，成为学术界和工业界亟待攻克的难题。
为破解这一困局，相关研究人员开展了基于人工智能的 CIoT 设备安全防护研究。虽然文中未明确提及研究机构，但研究者们聚焦于利用 AI 技术提升 CIoT 在复杂通信环境中的安全性能。其研究成果发表在《International Journal of Cognitive Computing in Engineering》，为该领域的安全研究注入了新动力。
研究人员采用了多项关键技术方法。首先运用随机森林分类器（RandomForestClassifier）对包含 116 个特征的初始数据集进行特征选择，筛选出 16 个最具代表性的特征，以降低计算成本并提升模型效率。接着构建了融合长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）的神经网络模型：LSTM 层用于捕捉输入数据的时序依赖和复杂模式，GRU 层则对提取的特征进行优化提炼，最后通过全连接层实现对网络流量的分类决策。实验数据来源于 Kaggle 平台上包含 Mirai 和 BASHLITE botnet 攻击的真实物联网设备流量数据集，包含超 700 万条实例和 115 个属性，为模型训练和验证提供了坚实基础。
4.1 仿真环境与数据集表征
研究在搭载 Intel (R) Core (TM) i7-7300HQ CPU 和 16GB RAM 的 Windows 11 系统上，借助 TensorFlow、Keras 和 Sklearn 等工具开展仿真。数据集分析显示，良性与恶意流量类分布均衡，如 “mirai_udp_plain” 和 “mirai_ack” 类实例数相近，且特征间存在显著相关性，部分熵和互信息特征高度关联，而抖动相关特征则呈现独特分布模式。
4.2 数据预处理与模型性能分析
数据预处理包括清除含错误值的行、归一化处理以统一量纲，以及通过独热编码（One hot encoding）将攻击标签转换为数值型数据。模型训练过程中，训练损失从 0.294 降至 0.158，精度从 85.69% 提升至 89.73%；测试损失稳定在 0.16 左右，测试精度达 89.56%。分类报告显示，模型对良性流量和部分攻击类型（如 “mirai_syn”“gafgyt_combo” 等）的检测精度、召回率和 F1-score 均接近或达到 0.99，展现出强大的分类能力。
4.3 对比分析与模型优势
与传统机器学习模型（如逻辑回归、支持向量机）和其他深度学习模型（如 GRU、LSTM、循环神经网络 RNN）相比，该模型在精度和损失收敛速度上优势显著。传统模型精度普遍低于 0.5，而该模型精度持续提升并突破 0.85，且能更快降低损失，更有效地捕捉数据中的复杂模式。
研究表明，融合 LSTM 和 GRU 的 AI 模型结合特征选择技术，可显著提升 CIoT 设备在先进通信系统中的网络攻击检测能力，检测精度超 99%，且通过优化特征维度降低了计算成本，满足资源受限设备的安全需求。然而，研究也存在一定局限性，如依赖预定义特征可能无法应对新兴威胁，计算复杂度对极端资源受限设备仍有挑战。
这项研究为 CIoT 的安全防护提供了创新思路和高效解决方案，其提出的模型在智能城市、工业自动化、医疗健康等场景具有广阔应用前景。未来研究可进一步结合边缘计算、雾计算、联邦学习（Federated Learning, FL）和差分隐私等技术，提升模型的实时性、隐私保护能力和资源利用效率，推动 CIoT 在更安全的环境中实现智能化升级。
