60、物联网环境下基于自然启发优化的混合半监督学习入侵检测系统

物联网环境下基于自然启发优化的混合半监督学习入侵检测系统

1. 引言

物联网（IoT）是一个由传感器、软件和连接组成的设备网络，允许互联设备通过网络进行通信，可实现远程监控和控制。物联网设备广泛应用于医疗、能源管理、智能家居等多个领域。然而，物联网系统主要关注数据安全和设备免受网络攻击，其网络层复杂且易受攻击，存在许多安全漏洞。

过去虽开发了许多安全框架，但大多需要大量计算和存储资源。入侵检测系统（IDS）因其鲁棒性成为近年来的热门选择，用于检测入侵行为，保障信息的机密性、完整性和可用性。不过，攻击者也在不断寻找绕过 IDS 的新方法，且传统 IDS 通常难以处理物联网的多层结构。

机器学习（ML）方法分为监督学习、无监督学习和半监督学习。监督学习基于标记数据检测入侵，但需要大量计算时间，数据预处理困难，且模型易过拟合。无监督学习从无类别标签的输入数据集中提取有用知识，自动将输入数据分类，但准确性较低，计算过程耗时，持续输入数据会导致结果不准确。

由于 ML 的显著发展，许多研究人员考虑结合监督和无监督 ML 构建 IDS。但这两种方法都需要大量训练数据，耗费人力。半监督学习的 IDS 通过在训练数据集中使用少量标记数据和大量未标记数据，降低了人力成本并提高了性能。

群体智能（SI）是一种智能搜索过程，可彻底探索搜索空间中具有最优解的区域，并转移到未探索区域。SI 可用于设计基于社会昆虫群体或其他动物社会合作行为的算法，通过超参数调整影响学习过程，从大量数据中区分正常和异常行为。

本文的主要贡献包括：
- 研究和分析 TON - IoT 数据集的影响属性，识别可行后果，使其能够识别物联网环境中的不同分类攻击。