胡向东,周 巧

(重庆邮电大学 自动化学院,重庆 400065)

随着工业物联网应用程度的加深,复杂的网络环境和层出不穷的攻击手段使得其面临许多挑战,诸如黑客入侵、安全漏洞攻击、蠕虫[1]等.工业物联网可分为感知层、网络层、应用层,其感知层安全需求主要致力于保障数据安全,表现为防止恶意节点攻击、采集样本与节点数据伪造破坏等.网络层安全表现为阻止Dos 攻击,保证路由安全.应用层安全则满足用户隐私和访问控制等.目前针对工业物联网的安全机制大多偏向被动防御,而入侵检测(Intrusion Detection,ID)是可以在不影响网络内部的情况下,对网络的传输数据进行实时监控并采取措施对入侵行为进行监测、分析、预警等处理,从而提高网络应对外部威胁的能力.传统的基于深度学习的入侵检测研究不完善,仍然存在以下问题.

(1)工业物联网环境复杂,采集的网络流量数据是高维度的,目前许多的入侵检测模型手动选取特征,不够有效且依据较少,可能会丢失重要特征而保留冗余特征.

(2)自适应能力差.随着工业物联网运行环境和结构变化,要想检测出现的新型未知攻击,需要不断更新模型.

(3)低频攻击检测困难.在实际的网络环境中,不同类型的流量数据是不平衡的,这使得分类器偏向于数量大的类,少数类的攻击检测难度大且检测率不高.

(4)模型拟合能力差.传统机器学习模型结构简单,特征提取及学习能力有限,当面临大规模数据集时无……