融合改进TCN与DRSN的IoT入侵检测模型

摘要

入侵检测系统已逐步成为物联网安全的重要防护手段.然而，现有物联网入侵检测模型的样本数据存在类别不平衡、特征提取不足等问题，这导致了对于小类别攻击的低识别率与较低的精确率.因此，本文提出了一种融合改进时域卷积网络与深度残差收缩网络的物联网入侵检测模型.首先，利用扩张因果卷积与一维卷积充分提取数据的时空特征，形成深层层次的网络结构；然后引入自我注意的软门槛，能够无需专家经验自动地设置门槛，消除冗余特征；最后，使用焦点损失函数来增强对少数类的识别率.实验在TON-IoT数据集上的总体准确率和F1值分别高达99.88%和99.64%，其中小样本类的F1值为100%.实验结果表明，与其他模型相比，所提模型显著提高了对于不平衡入侵数据的检测能力.

关键词

物联网 / 入侵检测 / 时域卷积网络 / 深度残差收缩网络 / 样本不平衡 / 焦点损失函数