Deep-IFS：雾环境中工业物联网流量的入侵检测方法

工业物联网（IIoT）技术的广泛传播鼓励了入侵者发起多种攻击，这些攻击需要被识别以维护最终用户数据的安全和服务提供商提供的服务的安全。深度学习（DL），尤其是递归方法，已成功应用于IIoT取证分析，但递归DL模型的主要挑战在于它们在处理长流量序列时存在困难，并且无法实现并行化。多头注意力（MHA）试图解决这个不足，但未能捕获IIoT流量序列的局部表示。在这篇文章中，我们提出了一种基于取证的DL模型（称为Deep-IFS）以识别IIoT流量中的入侵。该模型使用局部门控递归单元（LocalGRU）学习局部表示，并引入MHA层以捕获和学习全局表示（即长期依赖关系）。层之间设计了残差连接以防止信息丢失。当前IIoT取证框架面临的另一个挑战是其有限的可扩展性，这限制了其在处理IIoT设备产生的大量IIoT流量数据时的性能。通过在雾计算环境中部署和训练提议的Deep-IFS来解决这一挑战。入侵识别通过将计算和IIoT流量数据分发到工作雾节点进行模型训练而变得可扩展。主雾节点负责共享训练参数和聚合工作节点的输出。聚合的分类输出随后传递到云平台以减轻攻击。在Bot-IIoT数据集上的实证结果表明，与现有的集中式DL基础取证技术相比，开发的分布式Deep-IFS能够有效处理大规模IIoT流量数据。此外，结果验证了所提议的Deep-IFS在各种评估指标上的稳健性。