随着工业物联网(industrial internet of things, IIoT)的快速发展,越来越多的关键基础设施和工业系统接入了网络,随之网络安全问题日益突出,入侵检测技术成为保障其安全的重要手段。因此文章设计了一种面向工业物联网环境的多路径结构...随着工业物联网(industrial internet of things, IIoT)的快速发展,越来越多的关键基础设施和工业系统接入了网络,随之网络安全问题日益突出,入侵检测技术成为保障其安全的重要手段。因此文章设计了一种面向工业物联网环境的多路径结构的一维卷积神经网络(1D CNN)模型,多路径结构采用不同大小的卷积核来确保能够进行全面覆盖各类特征的信息提取。在特征整合方面,采用权重分配方式充分融合各个路径特征,使模型能够自动地选择最有利的特征。为进一步增强特征传递与信息提取能力,在模型中引入残差连接(Residual Connection)、软池化机制(SoftPool)。残差连接有助于缓解深度网络中的梯度消失问题,确保信息能够有效地在模型中传递。软池化则在特征压缩的过程中保留更多的关键信息,提升了模型的特征表达能力。并在工业物联网数据集上进行验证,结果表明,该模型在召回率、精确率、F1值上都具有出色的表现,适用于复杂的工业物联网环境。展开更多
文摘随着工业物联网(industrial internet of things, IIoT)的快速发展,越来越多的关键基础设施和工业系统接入了网络,随之网络安全问题日益突出,入侵检测技术成为保障其安全的重要手段。因此文章设计了一种面向工业物联网环境的多路径结构的一维卷积神经网络(1D CNN)模型,多路径结构采用不同大小的卷积核来确保能够进行全面覆盖各类特征的信息提取。在特征整合方面,采用权重分配方式充分融合各个路径特征,使模型能够自动地选择最有利的特征。为进一步增强特征传递与信息提取能力,在模型中引入残差连接(Residual Connection)、软池化机制(SoftPool)。残差连接有助于缓解深度网络中的梯度消失问题,确保信息能够有效地在模型中传递。软池化则在特征压缩的过程中保留更多的关键信息,提升了模型的特征表达能力。并在工业物联网数据集上进行验证,结果表明,该模型在召回率、精确率、F1值上都具有出色的表现,适用于复杂的工业物联网环境。
