通过元启发式和深度学习方法探索物联网（IoT）网络中可行的恶意攻击检测方法

《Scientific Reports》：Exploring feasible malicious attack detection in IoT enabled network through metaheuristic and deep learning approach

　　

摘要

互联网事物（IoT）设备日益融入关键基础设施，这扩大了攻击面，使网络安全成为亟待解决的问题。尽管入侵检测系统（IDS）对于保护这些网络至关重要，但传统方法往往难以应对IoT流量的高维特性，无法高效提取最相关的特征，并且误报率较高。本研究旨在开发一种基于深度学习的强大且可适应的入侵检测框架，通过改进特征选择和模型优化来克服这些限制，从而提高IoT环境中的威胁识别能力。为此，该方法首先采用最小冗余最大相关性（mRMR）对数据进行预处理，挑选出最关键的特征，减少噪声和冗余。随后，构建了结合卷积神经网络（CNN）与深度神经网络（DNN）以及长短期记忆网络（LSTM）的混合深度学习模型。通过使用蚱蜢优化算法（Grasshopper Optimization Algorithm）微调这些模型的超参数，进一步提升了其性能，最终得到两种新型模型：mrCNN-LSTM-IDS和mrDNN-LSTM-IDS。在对TON-IoT和NSL-KDD数据集进行全面测试后，实验结果表明，mrDNN-LSTM-IDS模型的性能显著优于基于CNN的模型及其他单独的深度学习模型。该模型在准确率、精确率、召回率以及F1分数等方面取得了优异成绩，分别在NSL-KDD和TON-IoT数据集上的准确率为99.89%和99.86%，精确率为99.47%和99.89%，召回率为99.85%和99.64%，F1分数为99.45%和99.21%，误报率分别为0.0002和0.0001。研究表明，所提出的mrDNN-LSTM-IDS框架为现实世界的IoT网络安全提供了高效且灵活的解决方案，有效解决了特征提取和攻击检测精度方面的关键问题。