典型文献
基于物联网平台的动态权重损失函数入侵检测系统
文献摘要：
随着物联网(IoT)接入设备越来越多,以及网络管理维护人员缺乏对IoT设备的安全意识,针对IoT环境和设备的攻击逐渐泛滥.为了加强IoT环境下的网络安全性,利用基于IoT平台制作的入侵检测数据集,采用卷积神经网络(CNN)+长短期记忆(LSTM)网络为模型架构,利用CNN提取数据的空间特征,LSTM提取数据的时序特征,并将交叉熵损失函数改进为动态权重交叉熵损失函数,制作出一个针对IoT环境的入侵检测系统(IDS).经实验设计分析,并使用准确率、精确率、召回率和F1-measure作为评估参数.实验结果表明在CNN-LSTM网络架构下采用了动态权重损失函数的模型与采用传统的交叉熵损失函数的模型相比,前者比后者在使用数据集的地址解析协议(ARP)类样本中在F1-Measure上提升了47个百分点,前者比后者针对数据集中的其他少数类样本则提升了2个百分点～10个百分点.实验结果表明,动态权重损失函数能够增强模型对少数类样本的判别能力,且该方法可以提升IDS对少数类攻击样本的判断能力.
文献关键词：
动态权重损失函数;入侵检测;深度学习;卷积神经网络;长短期记忆;物联网
中图分类号：
作者姓名：
董宁;程晓荣;张铭泉
作者机构：
华北电力大学(保定)计算机系,河北保定071003
文献出处：
引用格式：
[1]董宁;程晓荣;张铭泉-.基于物联网平台的动态权重损失函数入侵检测系统)[J].计算机应用,2022(07):2118-2124
A类：
动态权重损失函数
B类：
物联网平台,入侵检测系统,IoT,网络管理维护,安全意识,泛滥,台制,检测数据集,长短期记忆,模型架构,提取数据,空间特征,时序特征,交叉熵损失函数,IDS,实验设计,设计分析,精确率,召回率,measure,评估参数,网络架构,使用数据,地址解析协议,ARP,Measure,百分点,少数类,增强模型,判断能力
AB值：
0.247531
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
