16、物联网安全的深度学习解决方案：监督与无监督学习探索

物联网安全的深度学习解决方案：监督与无监督学习探索

监督式深度学习在物联网安全中的应用

在物联网环境中，保障安全是至关重要的。监督式深度学习为物联网安全提供了有效的解决方案，下面将从数据集和评估指标等方面进行详细介绍。

监督式数据集

• 综合数据集情况 ：最终数据包含正常和攻击流量的样本总数达343,939个，其中攻击流量涵盖11类攻击，这些攻击可从SDN网络内部或外部发起。
• 新型SDN数据集 ：2020年，有人努力生成与攻击相关的数据集，专门针对支持SDN的物联网环境中的入侵检测。测试平台使用Mininet工具模拟由ONOS控制器管理的物联网网络，包含两个数据集。第一个数据集用5个主机模拟物联网设备，定期向服务器发送少量数据；第二个数据集模拟10个物联网设备。数据包含5种攻击（DoS、DDoS、端口扫描、操作系统指纹识别、模糊测试）和一个正常类别。第一个数据集有2790万条观测记录，第二个数据集有3020万条观测记录，每条观测记录包含33个特征。

评估指标

在物联网安全（攻击检测）中，深度学习算法常使用以下评估指标，这些指标大多可通过混淆矩阵计算得出。混淆矩阵中，真正例（TP）和真负例（TN）表示模型正确分类的攻击和正常样本数量，假正例（FP）和假负例（FN）表示模型错误分类的正常和攻击记录数量。
|指标|含义|计算公式|
| ---- | ---- | ---- |
|准确率（Accuracy）|模型正确分类的物联网样本占总样本的比例|$Accuracy(A) = \frac{