基于鹦鹉蒲公英优化器的路由算法以及尖峰神经网络的水下物联网（IoT）入侵检测系统

《Scientific Reports》：Parrot dandelion optimizer-based routing and spiking neural network enabled intrusion detection in underwater IoT

　　

摘要

水下物联网（IoT）对于监测和收集海洋环境中的实时数据至关重要。由于海洋环境复杂且动态变化，水下物联网网络面临各种安全威胁，如窃听、资源耗尽、洪水攻击和阻断攻击。为了解决这些问题，已经开发了多种入侵检测系统（IDS）。然而，传统的水下物联网IDS在识别威胁时效果不佳，因为它们会产生大量误报，导致计算时间增加。在这项研究中，提出了基于Parrot Dandelion优化器的深度尖峰神经网络（PDO_Deep SNN）来检测水下物联网中的入侵行为。首先模拟了一个水下物联网系统模型，然后进行路由设计。路由过程中考虑了能量、可靠性、延迟、自私性、距离和诚实性等适应度参数，这些参数是通过结合Parrot优化器（PO）和Dandelion优化器（DO）来确定的。接下来，按照以下步骤在水下设备层进行入侵检测：首先从BoT-IoT数据集中获取输入日志文件；然后使用tanh-estimator方法对数据进行归一化处理；接着通过互信息进行特征选择；最后利用深度尖峰神经网络（Deep SNN）进行入侵检测，并通过结合PO和DO设计的PDO对模型进行优化。实验结果表明，该算法在端到端延迟、距离、剩余能量、带宽、故障率和能量开销方面表现出色，分别为0.672毫秒、5.930米、31.575焦耳、7.251赫兹、0.489和0.495。此外，PDO_Deep SNN的真正例率（TPR）达到91.904%，真正例率（TNR）达到91.980%。