物联网中的深度学习安全问题

为了探索深度学习去噪自编码器（DAE）在物联网（IoT）融合安全中的应用价值，本研究构建了一种基于自编码器三层神经网络的分层入侵安全检测模型，叠加去噪自编码器支持向量机（SDAE-SVM）。通过逐层预训练和微调获得降维后的样本数据。引入传统的深度学习算法，包括叠加噪声自编码器（SNAE）、叠加自编码器（SAE）、叠加收缩自编码器（SCAE）、叠加稀疏自编码器（SSAE）、深度信念网络（DBN），与本研究中的模型进行比较仿真。结果显示，当模型中的编码器为4层网络结构时，模型的准确率（Ac）最高（97.83%），假阴性率（Fn）（1.27%）和假阳性率（Fp）（3.21%）最低。当第一隐藏层的节点数约为110时，模型准确率约为98%。与本研究设计的模型相比，常见特征降维方法的Ac、Fn和Fp分别为98.12%、3.21%和1.27%，表现最佳。与其他同类深度学习算法相比，识别率、Ac、错误率和拒绝率表现良好。在多个数据集上，本研究中的模型的识别率、Ac、错误率和拒绝率始终优于传统深度学习算法。总之，当深度学习SDAE应用于基于物联网融合的入侵安全检测时，可降低检测负载，提高检测效果，操作更加安全稳定。