基于自适应可变形注意力机制的Elman残差循环神经网络，结合数据加密技术，构建用于安全物联网的恶意软件检测框架

《Computational Biology and Chemistry》：Implementing Malware Detection Framework using Adaptive and Deformable Attention-based Elman Residual Recurrent Neural Network with Data Encryption for Secure IoT

　　U. Arul|R. Gnana Jeyaraman|Hari Kumar Palani|K. Vijaya Bhaskar•通过运用密码学和深度学习技术，构建一种用于物联网网络中的恶意软件识别与安全增强模型，以此识别物联网中的恶意行为并提升网络安全性。•利用ADA-El-RRNN方法检测物联网中的恶意软件，该方法结合了传统的循环神经网络与可变形注意力机制。该网络能够确保数据传输的安全性与高效性，避免各类问题。•通过采用基于最优密钥的椭圆曲线加密算法来增强网络安全，该算法可生成用于数据共享操作的最优密钥。在此过程中，还借助反对派洪堡鱿鱼优化算法，以更短的时间和更小的内存占用量生成最优密钥。•通过继承现有的洪堡鱿鱼优化算法的功能来构建反对派洪堡鱿鱼优化算法，该算法有助于为数据共享过程生成最优密钥，进而提升网络安全性。

引言
物联网已发展成为现代医疗和实验室环境中的基础网络，它实现了医疗设备、传感器以及临床仪器之间的无缝连接（Gulatas等人，2025年）。这种被称为医学物联网的数字化转型显著提升了医疗系统的工作效率和服务质量，通过实时生理监测和安全的数据管理，为糖尿病患者及老年患者提供了重要的生命保障（Habib等人，2024年）。此外，借助云技术的物联网服务在紧急情况和常规临床场景中都能提供关键的远程患者监测功能，从而缩小偏远地区医疗提供者与患者之间的距离（Polat等人，2025年）。物联网系统依靠身份管理机制，在各种异构系统及相同系统中实现精准识别（Deng等人，2024年）。同时，物联网中的各个区域也可通过IP地址来标识（Huang等人，2025年）。

由于物联网依赖无线通信，其涉及的系统数量不断增加，因此提升安全性也就显得尤为重要（Reis，2025年）。大多数医疗和临床设备都存在资源限制，且内置的安全防护措施较为薄弱（Wazid等人，2025年），这就使得它们容易遭受网络威胁，这些威胁可能会窃取敏感的患者记录或篡改重要的诊断数据（Jeon等人，2024年）。随着医疗系统越来越依赖无线通信（Dhakal等人，2024年），确保生物数据的隐私性和完整性便成为了一个重要的社会问题（Nazari等人，2025年）。从可穿戴健康追踪器到其他各类设备，这些设备的多样性使得攻击面极为广泛，传统的安全威胁，如未经授权的访问和数据泄露（He等人，2024年），都可能对患者的健康状况以及机构的声誉造成严重损害（Hayam Alamro等人，2024年）。

此外，一些先进的计算型物联网安全技术通过改进的椭圆曲线加密算法以及基于深度LSTM的恶意软件检测技术，提升了物联网设备的安全性，其在数据传输过程中的安全性表现优于现有方法（Mutar等人，2025年）。还有研究通过优化的混合深度学习算法以及改进的加密算法来提升物联网的安全性并检测攻击行为（Mishra和Chaurasiya，2024年）。将人工智能、物联网、区块链和纳米技术等前沿技术相结合，有望进一步提升结直肠癌的诊断和治疗水平（Pandurangan等人，2024年）。在计算生物学和化学领域，研究人员致力于针对特定蛋白质开发癌症治疗药物；例如，分子对接和动力学模拟为靶向环依赖性激酶2提供了重要依据（Chagaleti等人，2024年）。同样，药效团建模和动态模拟等计算方法也被用于寻找具有潜在抗癌作用的新CA IX抑制剂（Packiapalavesam等人，2024年）。

传统深度学习在物联网安全应用中存在诸多局限性，比如面对数据多样性时表现不佳、易出现过拟合现象，且在处理动态数据时性能欠佳，这些问题反映了在复杂且关键的科学领域应用人工智能时所面临的普遍挑战（Ali等人，2024年）。近期的一些研究指出，更好的可扩展性（Zhao等人，2024年）、泛化能力（Watanabe等人，2025年）以及模型的稳定性仍然是将人工智能系统部署在现实世界中那些充满不确定性的环境里时需要克服的难题（Arnold等人，2024年）。例如，与物联网恶意软件检测中面临的限制类似，药物发现领域的基于深度学习的框架也面临着数据多样性、模型可解释性以及巨大的计算需求等问题（Shirley和Priya，2024年）。本研究提出的ADA-El-RRNN模型正是为了解决这些难题而设计的，它能够提供一个强大、可扩展且精度极高的恶意软件检测框架，从而为基于物联网的科学环境提供安全保障。

在物联网网络中，借助F-measure方法可以准确识别并减少勒索软件攻击，该方法通过减少冗余信息来提高可解释性，进而增强网络安全性。此外，直方图梯度提升分类器也被用来降低各类威胁对单个属性的影响。在这里，递归特征消除技术被用于高效识别UGransome数据集中的重要特征。不过，该技术并不适合持续识别大规模的攻击模式，也无法有效提升检测的稳定性。而且，要在动态且复杂的网络环境中应对勒索软件的攻击，还需要额外的元启发式优化模型以及多类验证机制。而Android恶意软件攻击的存在则可以通过ArchSentry模型得到精准识别，该模型能够隐藏恶意活动及其语义特征，从而提高检测的效率和准确性。不过，要在一限定时间内高效分析并剔除收集到的数据中的异常和冗余特征，就需要更长的训练时间。而本文设计的ADA-El-RRNN方法则能够在训练过程中持续捕捉大规模的攻击模式，从而提升整体恶意软件检测的稳定性。此外，该方法在分析并剔除异常和冗余特征时所需的计算时间极短。同时，该方法还利用了从Kaggle平台获取的大量高质量数据集，以此降低过拟合的风险，进而提升验证阶段的检测效果。与传统的F-measure方法和ArchSentry模型相比，该方法在应对动态物联网环境中的恶意软件攻击方面更具优势，性能也更出色。

所开发框架的目标与依据：这项研究的主要目的是解决日益发展的物联网领域中存在的各类安全威胁，由于设备多样性以及资源限制，传统的安全评估指标往往难以给出准确的结果。现有的深度学习方法在数据量不足、易出现过拟合现象、计算成本高以及难以应对不断变化的威胁等方面存在诸多问题。为了解决这些限制并提升安全性，本研究开发了一种融合深度学习与密码学算法的新型框架。该框架的主要目标是为物联网领域提供一种新的恶意软件检测与安全增强方案，能够及早识别恶意行为并提升网络安全性。具体目标还包括设计ADA-El-RRNN算法以实现高效的恶意软件攻击检测，以及开发OKECC算法，通过生成最优密钥并提供安全的数据共享功能来增强网络安全。此外，这项研究还旨在应用一种名为OHSO的高效优化算法，该算法可用于调整ADA-El-RRNN的参数，并优化OKECC中的密钥，从而为各种攻击提供高效且强大的防护手段。

研究成果贡献：本文提出的物联网恶意软件检测与安全增强方法具有以下几方面的贡献：•通过运用密码学和深度学习模型，构建了一种物联网恶意软件检测与安全增强框架，该框架能够识别物联网中的恶意行为并提升网络安全性。所开发的恶意软件检测框架在识别恶意活动方面表现优异，能够在攻击发生的初期就保护网络免受各类攻击。此外，这些技术还能有效降低误报率，维持网络的安全性。同时，用于确保数据安全传输的密码学技术不仅降低了计算成本，还提升了整个网络的安全性。而且，所开发的模型具有更高的数据保密性，通过防止未经授权的访问来保障数据的完整性。•设计了ADA-El-RRNN框架用于识别物联网中的恶意软件攻击，该框架是将El-RRNN作为初始网络结构，并与可变形注意力机制相结合而形成的。所开发的技术能够有效捕捉长期依赖关系，快速识别出恶意软件活动的行为模式。该技术解决了梯度消失的问题，其残差连接机制也为模型的稳定训练提供了支持。此外，可变形注意力机制有助于聚焦恶意活动，同时还能减少训练过程中的干扰时间。考虑到实际应用需求，该技术的可扩展性也得到了提升。而且，它在面对多重攻击时也能提升网络的稳定性。准确识别网络中的攻击行为，能够确保数据的安全且高效地传输。•开发了OKECC算法，通过生成最优密钥并提供安全的数据共享功能来提升网络安全。在OKECC算法中，密钥是通过OHSO算法进行优化的，这有助于在物联网数据共享过程中减少内存占用和时间消耗。调整椭圆曲线加密算法的参数不仅能够减少验证过程中的问题，还能提高密钥生成的效率。此外，该算法在密钥生成时所需的能量极低，且在数据共享时占用的带宽也很少。而且，OKECC算法还能提升网络对各类攻击的抵御能力，进一步增强安全性。•实施了一种名为OHSO的高效优化方案，该方案是通过在传统的洪堡鱿鱼优化算法的基础上，引入基于适应度概念的随机参数调整机制而形成的。在本研究中，OHSO技术被用于调整ADA-El-RRNN的参数，以提高恶意软件检测的准确性，同时优化OKECC算法中的密钥，从而为物联网中的数据共享提供安全保障。在这里，对洪堡鱿鱼优化算法中的随机数进行更新，有助于在搜索空间中找到更可靠的解决方案。此外，该机制还能帮助避免在搜索空间中出现局部最优解的问题，从而减少过早收敛的情况，帮助找到最佳解决方案。

工作结构：所实现的物联网恶意软件检测与安全增强模型包含以下几个部分。第2部分介绍了物联网中传统的恶意软件检测与安全增强机制。第3部分阐述了恶意软件的检测方法以及密码学处理流程。第4部分给出了仿真结果以及实验数据。第5部分则对所开发的模型进行了总结。

将物联网技术应用于医疗领域，通过实现自动化的健康监测功能，极大地提升了患者护理的水平。然而，由于生物数据具有高度敏感性，因此必须深入理解其各项核心应用，同时建立强大的安全机制，以确保系统的稳定运行。在该框架中，物联网的关键组成部分包括：•临床物联网设备与生物传感器：现代医疗体系依赖于由众多相互连接的生物传感器构成的网络，这些传感器可用于监测血糖水平、心率以及血氧饱和度等生命体征（Polat等人，2025年）。这些临床物联网设备充当着主要的接口角色，它们能够将生理参数转换为数字数据，以便进行医学分析。•健康监测系统：远程健康监测系统为老年人或慢性病患者提供了重要的支持，它起到了连接家庭护理与医院医疗服务之间的桥梁作用（Habib等人，2024年）。这类系统需要具备较高的服务质量以及较低的延迟，这样才能在紧急情况下及时采取干预措施。•以患者为中心的生物数据的安全存储与传输：存储以患者为中心的数据意味着要管理大量的数据集，这些数据集包含了遗传信息以及个人的医疗历史记录（He等人，2024年）。鉴于网络攻击事件的不断增加，采用先进的加密技术至关重要，只有这样才能确保只有经过授权的医疗人员才能访问这些生物数据，同时严格保护患者的隐私（Nadhan和Jacob，2023年）。

相关研究
2023年，Devi和Arunachalam（Devi和Arunachalam，2023年）设计了一种恶意软件预防与识别机制，用于保护网络中的数据传输安全。首先，通过分析上下文特征来识别攻击节点，然后再利用这些特征来预测各种网络威胁。此外，他们还采用了改进后的椭圆曲线加密技术来防范恶意软件，同时运用混合优化模型来选择在数据传输过程中使用的高可靠性密钥。

物联网网络中正常节点与恶意节点的概念信息
在物联网网络中，每个节点都对应着一个物联网设备，这些设备拥有特定的位置信息以及相关的节点属性，比如内存容量、能耗等等。然而，这个网络容易受到各种攻击的影响，这些攻击会在数据从源节点传输到目标节点的过程中对节点造成损害。节点的信任度是根据其自身的属性来确定的。有一些节点属性可以被用来评估节点的信任值，比如传输延迟、跳数、数据包丢失率以及能耗水平等。

实验设置
在物联网中的恶意软件识别与安全增强研究中，使用了Python编程语言来实现相关功能。OHSO模型采用了50次迭代和10个种群，且染色体的长度为16。为了进行分析，还使用了多种传统算法，包括金鹰优化器（GEO）（Mohammadi-Balani等人，2021年）、海鞘群集算法（TSA）（Anaraki和Farzin，2023年）、大猩猩部队优化器（GTO）（Ginidi等人，2021年）以及HSOA（Anaraki和Farzin，2023年）。

结论：通过运用加密技术和深度学习模型，已经构建出一个高度安全的物联网系统，用于检测恶意软件攻击。本研究主要关注两个核心功能：识别恶意软件攻击以及实现物联网网络中的安全数据共享。首先从Kaggle平台收集相关数据，然后利用能够保障数据传输安全的ADA-El-RRNN算法来检测恶意软件攻击。一旦检测到攻击，就会立即提升物联网系统的安全性。

CRediT作者贡献声明：R. Gnana Jeyaraman：撰写——审阅与编辑；U. Arul：撰写——初稿；K. Vijaya Bhaskar：撰写——审阅与编辑；Hari Kumar Palani：撰写——审阅与编辑。

利益冲突声明：作者们声明不存在任何利益冲突。