网络入侵检测系统在农业中应用论文阅读笔记

这次阅读文章是《An optimized CNN-based intrusion detection system for reducing 
risks in smart farming》的是来自《Internet of Things 》，SCI 和中科院3区文章

文章首先介绍了智能农业的概念：智能农业是各种新兴技术的混合体，如区块链、5g通信、人工智能(AI)、无人机、物联网(IoT)、边缘/雾计算，智能农业利用这些新兴技术提高农业单位产量，达到智能管理、实时检测、科学管理、集约化生产的目的。

问题提出：许多物联网设备部署在公共网络之中，智能农业的最大障碍是无法保障用户的安全和隐私。公共网络之中就给了攻击者可乘之机，攻击者可以发动各种各样的攻击。例如DDoS攻击，会使服务无法访问，或者插入虚假数据，这对食品安全和农业食品供应链和农业产出的有效性造成了影响。农业相关的公司都面临着被攻击的威胁，著名的网络攻击案例，例如佛罗里达州的供水系统，澳大利亚经营乳制品和饮料ion公司，上诉农业相关公司都深受网络攻击影响。

        入侵检测系统(IDS)是一种监控和分析内部系统事件以发现入侵迹象的网络安全技术，在开发IDS时，许多研究人员转向基于人工智能的方法，包括深度学习、分层策略、强化学习和基于投票的极限学习机。将深度学习应用于网络入侵检测问题是一个较新的研究领域，并且将入侵检测系统引入农业物联网和智慧农业等领域也是一个新颖的研究。

        文章提出的智慧农业中的入侵检测系统架构：第一层是农业传感网络，负责收集各种农业信息，第二层是数据服务层由数据库、PC、交换机、网关设备等构成，通过wifi、蓝牙、5G等网络传输介质和技术，传感器收集数据（Wi-Fi帧）并将其发送到IDS进行攻击检测的任务在此层完成。第三层是应用层。

        文章用到的数据集是NSL-KDD数据集，NSL-KDD数据集是网络入侵检测著名的数据集，在此数据集上进行入侵检测有更好的代表性。数据处理流程如下：

首先在对NSL-KDD进行数据预处理，然后特征选择，之后数据归一化为像素范围，为数据转换做好准备。通过转换特征对数据进行规范化，使得值也应该归一化为0 - 255的比例，因为图像像素的范围从0到255，最后被转化为转换成尺寸为9 ×9 × 3的图像。

文章采用的主体网络模型架构是VGG16，并且使用了PSO优化超参数，粒子群优化算法(PSO)是一种常用的超参数优化算法，可分为基于种群的元启发式优化技术。

    最后我们查看一下PSO-VGG16的表现,VGG16的在精度和recall上有着惊人表现，但是在F1得分上表现不如人意