研究人员开发了一种新颖的信任感知联邦混合入侵检测框架（TA-FHIDF），以增强边缘计算环境中的网络安全。该框架结合了自动编码器、一维卷积神经网络（1D-CNN）和双向长短期记忆（BiLSTM）模型，用于自主特征提取。为了保护数据隐私和防止对抗性攻击，TA-FHIDF 利用联邦学习进行协作模型训练，并采用信任感知聚合机制，在全局模型集成前评估客户端的可靠性。在 UNSW-NB15 和 CICIDS2017 等基准数据集上的评估显示，检测准确性和容错能力有所提高。 AI
影响 该框架通过在不损害数据隐私的情况下实现协作威胁检测，可以提高分布式物联网系统的安全性。
排序理由 该项目是一篇学术论文，详细介绍了边缘计算网络安全的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
- 1d Cnn
- 1d Convolutional Neural Network
- Autoencoder
- Bidirectional Long Short-Term Memory Networks for predicting the subcellular localization of eukaryotic proteins
- BiLSTM
- edge computing
- Edge-IIoTset
- federated learning
- Internet of Things
- TA-FHIDF
- UNSW-NB15
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
