AE-LSTM: Autoencoder mit LSTM-gestützter Intrusionserkennung im IoT

Die Beschleunigung im Bereich des Internets der Dinge hat Sicherheitsprobleme verstärkt, sodass wir effektive Wege finden müssen, um IoT-Systeme vor Eindringlingen zu schützen. Kürzlich spielt maschinelles Lernen eine aktive Rolle in der Netzwerksicherheit und bei der Erkennung von Angriffen. In dieser Forschung schlagen wir eine Methode des maschinellen Lernens (AE-LSTM) zur Intrusionserkennung vor, die Autoencoder mit LSTM verwendet. Unser Ansatz hat ein 6-schichtiges Autoencoder (AE)-Modell mit LSTM, das bei der Erkennung von Anomalien wirksam ist. Um die Verzerrung in unserem Modell zu vermeiden, die aufgrund unbalancierter Daten im NSL-KDD-Datensatz auftritt, verwenden wir Standard Scaler in unserem AE-LSTM-Modell, um Ausreißer aus den Eingaben zu entfernen. AE-LSTM verwendet die beste Rekonstruktionsfunktion. Sie ist entscheidend dafür, ob der Netzwerkverkehr normal oder abnormal ist. Wir verwenden den NSL-KDD-Testdatensatz, um unser vorgeschlagenes Modell zu evaluieren. Unser Modell erreichte die höchste Genauigkeit im Vergleich zu anderen Methoden mit einem f1-Score mikro und gewichtet von 98,69 % und 98,70 % für 5 Klassen in den Erkennungsmethoden (Dos, Probe, R2L, U2R, Normal). Außerdem haben wir es mit zwei Klassen (bösartig, normal) bewertet, mit einem f1-Score mikro und gewichtet von 98,78 % und 98,78 %.