基于Spark的车联网分布式组合深度学习入侵检测方法
随着5G等技术在车联网领域中被广泛应用,入侵检测作为车联网信息安全重要的检测工具发挥着越来越重要的作用.由于车联网结构变化快,数据流量大,入侵形式复杂多样,传统检测方法无法确保其准确性和实时性要求,不能直接被应用到车联网.针对这些问题,提出了一种基于Apache Spark框架的车联网分布式组合深度学习入侵检测方法,通过构建Spark集群,将深度学习卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(LSTM)组合,进行车联网入侵特征提取和数据检测,从大规模车联网数据流量中发现异常行为.实验结果证明,与其他现有模型相比,该模型算法在时间上最快达到20.1s,准确率最高可达99.7%,具有较好的检测效果.
入侵检测、车联网、CNN、LSTM、Apache Spark
48
TP302.7(计算技术、计算机技术)
国家重点研发计划;工业和信息化部网络安全技术应用试点示范项目;江苏省重点研发计划产业前瞻与共性关键技术项目;江苏省交通运输科技项目
2021-07-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
518-523