基于代价敏感学习的物联网异常检测模型

摘要：

针对当前物联网异常检测算法中数据不平衡导致特征学习不全面,进而影响少数类攻击样本检测性能的问题,文章提出了一种基于代价敏感学习的物联网异常检测模型CS-CTIAD.该模型通过卷积神经网络和Transformer综合学习物联网流量的空间和时序特征,来缓解单一模型对少数类攻击样本特征学习不全面的问题;同时,在模型训练过程中引入代价敏感学习,动态调整少数类和多数类的损失权重,防止分类器因数据不平衡而忽略少数类攻击样本,进而提高少数类攻击样本的识别率.在CSE-CIC-IDS2018 和IoT-23 数据集上的测试结果表明,少数类攻击样本的检测性能得到明显提升.与现有工作相比,文章所提方法的整体评价指标(准确率、精确率、召回率和F1)更优.

关键词：物联网、异常检测、深度学习、代价敏感学习、类不平衡

所属期刊栏目：23

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：94-103