基于深度学习算法的物联网入侵检测技术研究.pdf

摘要

随着万物互联的概念提出和物联网不断的发展，物联网的网络环境变得日益

复杂，物联网攻击事件频发，这让物联网安全受到高度关注。因此，入侵检测作

为网络安全领域的重要技术，在物联网领域拥有越来越高的研究价值。然而，目

前物联网安全领域入侵检测方法仍然存在一定的不足。针对这一问题，本文通过

对物联网架构、网络攻击以及当前的入侵检测方法进行总结分析，深入研究了利

用深度学习相关技术进行入侵检测的方法。本文主要的工作和创新点归纳如下：

（1）提出一种名为CBIoT的深度学习模型，用于检测物联网环境中的异常

流量。CBIoT模型由预提取块、Inception-CB块和检测块三种关键块构成。预提

取块采用CNN结构以预先提取数据特征并扩大感受野。Inception-CB块运用

Inception能够提取不同尺度下特征表示的特点，并结合CBAM的空间和通道注

意力来专注对数据重要特征的学习，共同提升了模型对物联网流量数据关键要素

的捕捉，且在块的末尾加入BN层来提升模型稳定性。检测块用于对处理后的数

据进行分类，利用GAP替代全连接层以减少模型参数，降低过拟合风险。通过

在两个数据集上进行多分类测试，模型表现出较高的准确率，并通过对比实验证

明了本文模型在物联网入侵检测领域的优势。

（2）提出一种cDCGAN的数据增强模型，用于平衡物联网网络流量数据中

的少数类比例。该模型通过在GAN框架的基础上引入卷积层结构，提升数据生

成的真实性和质量，并在网络中加入BN层提高网络的稳定性。然后结合cGAN

的条件生成思想，将少数类数据标签作为生成条件，来实现模型的高效多类别数

据生成。通过将此数据增强模型生成的少数类样本加入到原始训练集中，来平衡

数据分布，降低深度学习模型在多数类上的过拟合风险，并提高模型对少数类的

检测性能。通过使用CNN检测模块进行多分类对比实验，证明该模型在增强少

数类数据方面的有效性，且优于传统方法。

面对当今日益增长的物联网安全需求，本文提出的物联网入侵检测模型能够

有效的检测物联网中的异常流量。数据增强模型也能够有效的提高入侵检测模型

对异常流量检测的准确率，这为物联网网络安全研究贡献了有效的解决方案。

关键词：深度学习，物联网，入侵检测，数据增强

Abstract

WiththeproposaloftheconceptoftheInternetofThings(IoT)andits

continuousdevelopment,thenetworkenvironmentofIoThasbecomeincreasingly

complex.FrequentIoTattackincidentshavebroughthighattentiontoIoTsecurity.

Therefore,asanimportanttechnologyinthefieldofnetworksecurity,intrusion

detectionhasanincreasinglyhighresearchvalueinthefieldofIoT.However,there

arestillsomeshortcomingsinthecurrentintrusiondetectionmethodsintheIoT

securityfield.Inresponsetothisissue,thispapersummarizesandanalyzestheIoT

architecture,networkattacks,andcurrentintrusiondetectionmethods,anddeeply

studiesthemethodsofintrusiondetectionusingdeeplearningtechnologies.Themain

workandinnovationsofthispaperaresummar