事实上,随着越来越多的设备通过互联网共享数据,这些数据就会暴露在网络攻击之下,变得越来越频繁和复杂。目前被认为是物联网设备最大威胁的三种攻击类型是拒绝服务(DoS)、中间人(man-in-the-middle)和SQL攻击。
意识到物联网设备不断增加的风险,格拉斯哥喀里多尼亚大学(Glasgow Caledonian University)和巴基斯坦COMSATS大学(COMSATS University)的一组研究人员最近开发了一种新方案,可以帮助保护互联网上共享的敏感信息。该入侵检测方案基于人工蜂群(ABC)算法和随机神经网络(RNN)。
ABC算法是一种广泛应用于人工智能(AI)研究的群体智能优化技术,它模拟蜜蜂的觅食行为来解决实际问题和计算问题。另一方面,随机神经网络(RNN)是一类受人类大脑中生物神经网络行为启发的机器学习模型。
研究人员在论文中写道:“本文提出了一种基于异常的入侵检测方案,可以保护敏感信息并检测到新的网络攻击。”“采用人工蜂群(ABC)算法训练基于随机神经网络(RNN)的系统(RNN-ABC)”。
研究人员在NSL-KDD训练+数据集上训练了他们的入侵检测RNN-ABC方案。NSL-KDD是一个用来训练算法来检测网络攻击的数据集,它包含了大量的互联网流量记录数据。
在训练了网络流量数据的RNN-ABC模型后,研究人员进行了一系列测试,以评估其在识别和分类网络攻击方面的表现。他们的发现是非常有希望的,因为他们的方案能够以91.65%的显著准确率对新攻击进行分类。
此外,该团队还将新模型与现有的基于混合多层感知器(MLP)的入侵检测系统进行了比较,MLP是一种使用监督学习技术(称为反向传播)训练的人工神经网络(ANN)。值得注意的是,他们发现RNN-ABC方案明显优于MLP技术,因为它能更好地泛化新数据。
有趣的是,研究人员发现,当ABC群体智能组件的群体规模较大时,他们的方案在对网络攻击进行分类时的准确性更高,因此,当更多的“人工蜜蜂”有助于模型的优化时。未来,他们的RNN-ABC入侵检测方法可以用于开发更高效的工具,识别各种联网设备上的网络攻击,最终提高物联网网络的安全性。
(转载:www.idcew.com)