边缘设备上的网络攻击检测分布式深度学习系统

随着物联网（IoT）和云技术的发展，众多IoT设备和传感器向云数据中心传输大量数据以进行进一步处理。虽然为我们提供了相当大的便利，但基于云的计算和存储也带来了许多安全问题，如信息收集的滥用和云中集中式的网络服务器。传统的入侵检测系统和网络应用防火墙与新的网络环境逐渐不兼容，基于机器学习或深度学习的相关系统应运而生。然而，云-IoT系统增加了对网络服务器的攻击，因为数据集中化带来了更具吸引力的奖励。本文基于分布式深度学习，提出了一种通过分析URL来检测网络攻击的系统。该系统旨在检测网络攻击，并部署在边缘设备上。云在物联网边缘范式中处理上述挑战。采用多个并发深度模型以增强系统的稳定性和更新的便利性。我们在系统上实施了两个并发深度模型的实验，并使用多个数据集将该系统与现有系统进行了比较。实验结果显示，系统在准确率方面达99.410%，在真实正率（TPR）方面达98.91%，在正常请求检测率（DRN）方面达99.55%，证明该系统在检测网络攻击方面具有竞争力。