基于狐狸优化器特征选择与深度学习的物联网环境网络安全攻击检测模型研究

本研究针对物联网(IoT)环境中日益严峻的网络安全威胁，提出了一种融合狐狸优化算法(FOA)特征选择与时序卷积网络(TCN)的智能检测模型(FOFSDL-SCD)。研究人员通过min-max归一化预处理、FOA特征降维、DBO超参数优化等创新方法，在Edge-IIoT数据集上实现了99.38%的检测准确率，为资源受限的IoT设备提供了高效轻量化的安全解决方案。

　　

随着智能城市中物联网(IoT)设备的爆炸式增长，网络安全已成为关乎基础设施稳定的核心议题。这些互联设备虽提升了城市效率，却因计算资源有限、安全机制薄弱，成为分布式拒绝服务(DDoS)、SQL注入等网络攻击的突破口。传统防火墙和入侵检测系统(IDS)难以应对IoT环境的动态特性，亟需开发兼具高精度与低能耗的新型防护体系。Prince Sultan University（沙特阿拉伯王子苏丹大学）的Mimouna Abdullah Alkhonaini团队在《Scientific Reports》发表的研究，通过融合生物启发算法与深度学习技术，构建了革命性的网络安全解决方案。

研究采用四大关键技术：(1)min-max归一化预处理统一数据尺度；(2)狐狸优化算法(FOA)筛选27个关键特征；(3)时序卷积网络(TCN)捕捉攻击时序模式；(4)粪甲虫优化(DBO)调整超参数。实验使用包含12类攻击的Edge-IIoT数据集（36,000条记录）。

数据预处理与特征选择

通过min-max归一化将特征压缩至[0,1]区间，消除量纲差异。FOA算法模拟狐狸捕猎行为，采用声波测距机制（公式3）和动态跳跃策略（公式4），以96.27%的F1_score筛选出最优特征子集。

分类模型构建

TCN网络结合膨胀卷积（公式10）和因果卷积（公式9），有效捕获DDoS攻击的时序特征。其残差连接结构（公式12）缓解了梯度消失问题，对HTTP泛洪攻击的检测精度达97.47%。

参数优化

DBO算法模拟粪甲虫滚动（公式14）、繁殖（公式17）等行为，优化TCN的卷积核大小等参数，使模型收敛速度提升40%，训练时间仅7.92秒。

该研究创下99.38%的行业最高准确率，较传统VGG16模型（97.69%）显著提升。其创新性体现在：(1)FOA-TCN架构首次实现攻击时序模式的可解释性分析；(2)DBO优化使模型适用于边缘设备部署；(3)为IoT安全领域建立轻量化研究范式。未来工作可探索联邦学习框架下的分布式威胁检测，进一步降低系统能耗。