- 简介随着物联网设备数量的增加，安全问题变得更加突出。通过部署网络入侵检测系统（NIDS）来监控网络流量，检测和发现入侵，并及时发出安全警报，可以最小化威胁的影响。近年来，大多数入侵检测研究都是针对流量本身的配对，而没有考虑它们之间的相互关系，因此限制了对复杂物联网网络攻击事件的监控。此外，真实网络中的异常流量仅占一小部分，这导致数据集中存在严重的不平衡问题，使算法学习和预测变得极其困难。本文提出了一种基于E-GraphSAGE的EG-ConMix方法，它包括一个数据增强模块来解决数据不平衡的问题。此外，我们还加入对比学习，以区分正常和恶意流量样本，便于提取关键特征。在两个公开数据集上进行的广泛实验表明，与最先进的方法相比，EG-ConMix具有更优越的入侵检测性能。值得注意的是，它在大规模图形的训练速度和准确性方面表现出显著优势。
- 图表
- 解决问题论文旨在解决IoT网络安全中的数据不平衡问题，提出一种基于E-GraphSAGE的EG-ConMix方法，通过数据增强和对比学习来提高入侵检测性能。
- 关键思路EG-ConMix方法结合了E-GraphSAGE、数据增强和对比学习，能够有效解决IoT网络安全中的数据不平衡问题，并提高入侵检测性能。
- 其它亮点论文通过实验验证了EG-ConMix方法在两个公开数据集上的优越性能，包括训练速度和准确性。此外，EG-ConMix方法还能够提取关键特征，有望在未来的研究中得到更广泛的应用。
- 最近的相关研究包括： 1. 'A Survey of Intrusion Detection Systems in Wireless Sensor Networks' 2. 'An IoT Security Framework Based on Multi-agent System and Blockchain'
沙发等你来抢
去评论
评论
沙发等你来抢