一个轻量级的智能无线传感器网络入侵检测模型

文摘

广泛应用的无线传感器网络(WSN)的维护安全带来挑战,完整性和机密性。作为一种重要的主动防御技术,入侵检测系统的有效防线。针对传感器网络的独特性,有必要平衡可靠的数据传输和能量有限的传感器之间的权衡,以及之间的冲突检测效果和网络资源的缺乏。提出了一种轻量级的智能传感器网络入侵检测模型。再结合算法(资讯)和正弦余弦算法(SCA)可以显著提高分类精度,大大降低了误报率,从而智能地检测各种攻击包括未知的攻击。为了控制模型的复杂性,紧凑的机制应用于SCA (CSCA)节省计算时间和空间,以及多态突变(PM)策略是用来弥补损失的优化精度。拟议中的PM-CSCA算法基准函数测试中表现良好。在模拟测试NSL-KDD和UNSW-NB15数据集的基础上,设计了入侵检测算法取得了令人满意的结果。此外,该模型可以部署在一个基于云计算架构和雾进一步提高实时计算,节能,入侵检测的效率。

1。介绍

无线传感器网络(WSN)提供必要的底层支持物联网也建立一个人工智能(AI)降落平台。他们取得了深度集成和积极推广方案。传感器网络的研究和应用已经涉及许多领域,从最初的军事侦察到社会生活的许多方面,如智能城市、医疗卫生、工业生产、环境监测、灾害预警(1]。传感器网络是无线通信的一种网络,是由大量的传感器节点通过自组织在一个特定的拓扑结构。传感器节点监测目标区域或对象的收集传感器数据传送给用户在网络路由(2]。传感器网络可以突破传统监测方法的局限性,这不仅大大降低了检测成本,而且大大简化了繁琐的过程。传感器技术的快速发展,无线通信技术,大数据,计算智能,等等,低成本和易于部署传感器网络可以满足我们迫切渴望了解周围环境或自己。这种技术将大大提高我们对世界的认知的广度和深度(3]。

传感器网络的应用场景是复杂多变的。与传统的有线网络相比,它面临着许多独特的问题和挑战。首先,单个传感器节点的计算能力和存储容量非常有限,以及节点之间的沟通能力弱。此外,传感器节点通常是分散在大范围或在一个复杂甚至恶劣的自然环境,这使得很难或无法执行维护任务,如能源供应。此外,它是一个开放的网络动态和随机拓扑。因此,有必要开展一系列有针对性的研究,以确保实时、节能、可靠性和其他作战需求的基础4]。作为一个以数据为中心的网络,越来越多的敏感数据收集,存储,传输和处理方案。其安全问题变得越来越严重(5]。由于网络自身的局限性和特点,数据很容易被摧毁,被盗,或篡改。如何有效地保护网络安全的各种网络攻击是一个重要的研究课题。不幸的是,被动防御只有通过防火墙、访问控制和其他手段不足以防止网络攻击。入侵检测是一种主动的安全防护技术,可以监控网络系统的操作状态和检测入侵如内部攻击、外部攻击,或误动作,因此,网络系统可以根据需要拦截和响应(6]。有线网络入侵检测技术已经相对成熟,可以分为两种类型:misuse-based anomaly-based。误用检测的先决条件是,在获取知识的攻击方法和预先定义的入侵模式。入侵检测是判断是否匹配入侵模式数据库收集的数据特征。因此,它只有一个高检出率为特定的攻击方法和对未知的攻击是无效的。为了应付没完没了的各种攻击,出现异常检测方法可以考虑。该方法假定正常相比并不常见的网络攻击行为。通过比较捕获的网络行为与正常模式,它可以判断是否有入侵发生。异常检测能处理不可预知的攻击,但它需要学习大量的历史数据训练(7]。为了提高检测效率,引入人工智能。许多学者试图应用人工神经网络(8,9),机器学习(10),进化计算(11- - - - - -13)等领域的入侵检测和取得建设性的研究成果(14]。然而,传感器网络自身的特点和局限性的网络规模,计算能力、存储空间、能源供应、通信带宽和网络模式,这使得它不可能直接使用传统的入侵检测系统(IDS)的体系结构。人工智能技术通常要求高计算能力和消耗相对大量的运行时间,存储资源和能源。因此,它是必要的修改和调整网络入侵检测模型根据实际的应用场景和用户需求之间的平衡,寻求安全、能源消耗、实时和其他目标(15,16]。

显然,入侵检测系统是一个技术问题与多个约束。如何提供一个可行的和有效的解决方案是一个迫切需要解决的重要问题。许多学者在这个领域做了卓有成效的工作17]。特征选择是一个重要的和实用的轻量级入侵检测策略。降维可以提高泛化性能和入侵检测的检测效率。文献[18名叫DRFSA]提出了一种新颖的特征选择算法,结合智能扩展决策树算法和卷积神经网络,对大量数据的基础上进行分类。这个模型提供了更好的入侵检测的准确性,包交货率,和网络吞吐量,减少网络延迟和假阴性率。研究人员还引入了一个加密机制来保证数据的机密性和完整性的基础上,取得了令人鼓舞的结果(19]。文献[20.)提出了SQL注入攻击的检测方案,不需要访问应用程序的源代码,所以它可以直接应用于云环境。文献[21总签名方案提出了一个基于证书的基础上,可以抵抗伪造攻击。此外,各种机器学习和深入学习技术越来越多的用于解决网络入侵检测问题[22,23]。

提出了一种轻量级的智能传感器网络入侵检测模型。该模型实现了基于异常检测的交通数据,可以快速、准确地发现网络攻击行为。再邻居算法(资讯)被选中作为分类器。然而,实现起来比较简单和容易理解。它支持非线性问题,可以提供相对强劲的识别结果。资讯的时间复杂度较低的支持向量机(SVM) [24,25]。相比之下,朴素贝叶斯算法(26),然而,没有假设数据和异常值不敏感。因此,与其他机器学习算法相比,然而,满足轻量级数据分类的要求。为了进一步提高分类效果,本文运用进化算法优化资讯。选择的进化算法是正弦余弦算法(SCA)。在许多metaheuristic优化算法,SCA计算复杂度较低,简单的参数,和良好的优化性能。考虑到许多入侵检测系统的局限性,紧凑的机制应用于SCA (CSCA),大大减少了时间和空间优化过程。为了确保准确性的需求得到满足,多态突变策略(PM)设计,并提出一种改进的版本的SCA (PM-CSCA)。资讯的有机结合和PM-CSCA构成一个轻量级的智能传感器网络入侵检测模型。一方面,智能检测是实现通过进化计算和机器学习;另一方面,进化算法的计算负担大大降低,以保证设计的轻量级入侵检测模型。

本文的组织结构如下:第二部分是相关工作,介绍了SCA和资讯用于入侵检测算法。第三部分介绍了入侵检测系统的体系结构。第四部分是入侵检测算法的设计,包括SCA的提高,以及如何将它与资讯。第五部分是仿真结果和讨论。最后一部分是结论和未来的工作。

2。相关的工作

2.1。正弦余弦算法(SCA)

SCA是一个metaheuristic群体智能优化算法。该算法有一个简洁的结构,参数少,易于理解和实现。最优解的搜索轨迹主要受正弦和余弦函数(27- - - - - -29日]。

该算法首先初始化人口 ,也就是说,创建随机的候选解决方案 。然后引导他们通过搜索空间使用基于正弦和余弦函数的数学模型。优化过程分为两个阶段:全局探索和局部开发。更新解决方案的位置的公式如下: 在哪里是当前的迭代次数,是当前最优解的位置吗维度,代表了绝对值。这里只涉及到四个参数: 和 。 ,控制解决方案每次移动的距离。 ,赋予一个随机的重量到当前最优解。 ,控制正弦和余弦更新模式之间的切换,确保使用的概率是相同的。上述三个参数是服从正态分布随机数在各自的范围内。的参数决定运动的方向。当 ,解决方案将当前位置和目标位置之间的区域,利用当地的潜在空间。当 ,解决方案是摆脱当前最优位置来探索一个更大的搜索空间。随迭代次数的增加呈线性下降,实现从勘探开发。更新后的公式方程所示(2)。一般来说, ,和代表的最大迭代数。

2.2。再邻居算法(资讯)

然而,算法中常用的数据挖掘和机器学习。作为最简单的分类算法之一,然而,在许多领域广泛应用。的核心思想是,在特征空间中,如果大部分的k样品最接近一个样本属于某个类别,那么这个样本也属于这一类,它的所有特性。所以,唯一的类别k最相似的样品是用于确定等待样本的类别分类决策时(30.,31日]。实现方法是所有样本被映射到分采用空间;k最近的已知样本的未知样本选为参考,以及它们之间的距离计算,分别;根据多数投票规则,未知样本的类别分为再邻国。显然,然而,算法主要考虑三个要素:K的值,距离的测量,分类决策规则。多数表决的方法通常是用来做决定。重点是通常的选择k值和距离的测量。

作为唯一的参数的值k有一个关键的资讯(对预测结果的影响32]。如果k的近似误差相对较小,学习将减少,但估计误差将会增加,噪音很容易学习。在严重的情况下,模型变得复杂,出现过度拟合。类似地,如果k大,模型将变得过于简单和underfit,这也将导致不准确的预测。在实际工程实践中,k通常是通过交叉验证选择。没有固定的经验指导的设置k(33]。这在使用资讯算法造成不便。

我们还需要注意在样本空间的距离测量。距离越短,两个采样点之间的相似度越高,反之,越低的相似性。常用的测距方法是闵可夫斯基距离、欧氏距离、曼哈顿距离,切比雪夫距离,Mahalanobis距离等。

假设有两个样本和在采用特征空间,表示为 和 。两个样本之间的距离来标示 。资讯分类器通常使用欧氏距离度量样本之间的相似性,如所示

但在分类的过程中,特征的重要性往往是不同的。一些特性与分类有关的结果,有些是弱相关的,有些甚至是负相关。如果样本之间的距离在很大程度上是由弱相关或无关的特性,它在分类很容易导致混乱。为了解决这个问题,一定重量 可以分配给每个特征维度来表达它的重要性。因此,样本之间的距离可以转化为下面的公式:

作为一个受欢迎的机器学习算法,然而,已经成功地应用在许多领域34,35]。一些文献试图改进它,主要是在调整参数(36,37]。事实上,没有统一的决心的经验 ,距离函数的选择,或者距离权重的设置。所有这些应该基于样本的分布,数据的特点,分析的需要。这可以被看作是一个典型的优化问题。的帮助下metaheuristic算法的优化能力,更合理有效的资讯可以构造分类模型(38]。

3所示。网络入侵检测系统体系结构

入侵检测是一种安全机制,从网络系统中的几个关键节点收集信息和分析,试图找出是否有违反安全策略的行为和被攻击的迹象。传感器网络中的数据显示了一个爆炸性的增长趋势。这需要较高的数据处理能力,入侵检测也需要足够的计算能力。

云计算平台具有强大的计算和存储能力,以及开放、灵活,和共享的特性,它提供了一个新的研究理念基础上突破瓶颈限制它的发展。为了减少从云中导入和导出数据的负担,减轻带宽不足的压力,雾计算可以进一步介绍。作为新一代的分布式计算,雾计算更接近网络的边缘,提供更广泛的空间节点访问。综合利用云计算和雾计算可以实现高效的协作计算。强大的数据处理和存储功能的云计算平台提供技术支持大数据分析的基础。

本文设计的入侵检测系统是部署在网络架构,结合云计算和雾计算,可以充分发挥其优势,更好地满足传感器网络的数据安全需求。入侵检测模型可以部署在云服务器上。雾计算可以实现通过水槽节点与丰富的资源,能独立帮助云来完成数据处理,存储和其他任务。传感器网络通常采用分层网络结构,分为几个集群。集群中的普通传感器节点收集数据并将其发送到集群,传输数据的雾组成的虚拟网络计算水槽节点多次反射的方式。图1显示了上面的网络入侵检测系统的体系结构。

4所示。提出工作

4.1。SCA的改进

SCA是少计算昂贵的相比之下,许多其他的优化算法。这是一个合理的选择来解决优化问题,需要低计算复杂度和高实时性能。为了进一步提高SCA的收敛速度,本文采用紧凑的机制,使算法更轻量级的。紧凑的SCA (CSCA)可以大大减少计算负荷,但它将不可避免地失去优化精度在一定程度上。为了解决这个问题,提出了多态突变策略(PM)丰富种群的多样性和补偿精度的损失。PM-CSCA的框架结构如图2。在本部分中,提出的主要思想和实现方案PM-CSCA详细描述。

以下4.4.1。紧凑的SCA (CSCA)

契约是一种群体智能算法的优化机制。紧凑的处理后,将大大降低算法的内存需求(39,40]。因为这项技术将大大减轻计算负担的人群metaheuristic算法,特别适合设备计算能力有限和稀缺的存储空间,如传感器节点、可穿戴设备和嵌入式设备。SCA是一个基于人口的智能优化算法。优化过程如下:解决方案是采用随机生成的空间,解决方案的位置在迭代过程中不断更新,实现人口的演变,最后找到全局最优解。当解决方案的数量很大,或维度高,这种计算模式消耗更多的计算能力。在应用程序场景实时要求高或有限的存储空间,优化算法需要进行必要的调整。压缩技术的主要思想是将原来的人口转变为概率模型的形式,反映了其分布特征。所有操作在原始人口也转移概率模型(41,42]。由于变量的数量和概率模型所需的存储空间是远远低于原来的人口,该算法在时间和空间更有效地运行。扰动向量的数据结构(PV)通常是用来描述人口的宏观概率分布: 。在这里,µ和σ分别是PV的平均值和标准偏差,然后呢代表了当前迭代数。每一对µ和σ在PV对应于一个概率密度函数(PDF) (43)和更新的迭代算法。一般来说,PDF格式的截断正态分布区间[1],和计算公式如下:

可以看出,PDF是一个函数µ和σ。其中, , 代表误差函数,意味着维度。接下来,累积分布函数(CDF)对应于PDF可以获得。计算方法如下:

由于PDF是一个截断正态分布区间(−1,1),提供范围从0到1。的逆函数提供一个虚拟的解决方案可以通过使用吗 : 在哪里 , 的逆函数 ,和之间的一个随机数 。有必要映射虚拟解决方案解决方案的决策空间。假设,在 - - - - - -维决策空间,某些维度的上限和下限和 ,分别。可以映射到使用 然后试图移动使用方程(1)。评估质量的位置前后运动,并记录他们和 ,用于更新吗 。请见方程(9)和(10详情)。

其中,是解决方案在虚拟人口的数量。在更新的过程中 ,同步更新全局最优位置,然后进行下一次迭代。在紧凑的帮助机制,原始的人口大大减少在大小和相当大的好处是实现时间和空间(44- - - - - -46]。然而,由于使用的近似概率分布来模拟实际分布的数据,这是不可避免的带来的风险损失的优化精度,导致局部陷阱的出现或缺失的全球最佳状态。

4.1.2。多态突变策略(PM)

为了弥补可能的损失精度的SCA紧凑,多态突变策略(PM)。基于SCA初始种群,介绍了各种分布函数实现多态的变化,然后更好的质量的人口是通过贪婪的选择。这可以有效地增加种群的多样性和覆盖潜在的搜索领域创造更多的机会,从而提高优化精度。使用三个分布函数:正态分布、柯西分布,分布。高斯分布是一种瘦尾分布,这是一个重要的统计概率分布。它常被用来代表一个不确定的随机变量。柯西分布属于厚尾分布,极端值的可能性大于高斯分布。在所有的分布,广义柯西分布最大的传播特点。分布可以近似为重尾分布。它可以用于生成飞行,这是一个相对高概率的随机游动的一个更大的步伐。所以,搜索的效率飞行是更好的在未知环境中或在大空间47]。

在点策略中,人口由SCA是随机分为三个亚种群初始化: 。[0,1]之间生成三个变量: ,服从不同概率分布: , , 。基于高斯分布执行突变获得一个新的程序 ,如方程所示(11)。同样,基于柯西分布和突变分布应用于和 ,分别;和和给出了根据方程(12)和(13)。

在这里, , , 。该产品意味着entry-wise乘法。根据评价函数获得的健身价值f从人口(·),所有的解决方案 , , 和排序,更好的人口通过贪婪的选择。

提出的计算复杂度PM-SCA取决于以下过程:初始种群,多态突变,健康评估,贪婪的选择、更新人口和紧凑的机制。假设解决方案的数量 ,尺寸是 ,和迭代的数量 。初始化的计算复杂度 维空间解决方案 。评估所有解决方案的计算复杂度 。贪婪的选择的复杂性 。更新所有解决方案的计算复杂度 。其中,多态突变的计算复杂度 ,和契约机制几乎没有带来计算复杂性的增加。一般来说,PM-SCA的计算复杂度是原始SCA一样。

显示了PM-CSCA算法的伪代码1。当迭代的最大数量,或其他终止条件得到满足,全球最优解和其相应的健身价值是输出。

4.1.3。实验结果

为了测试算法的性能,这部分使用基准测试函数进行比较实验的五个算法PM-CSCA, CSCA, SCA,粒子群优化(PSO),和鲸鱼优化算法(WOA)。12个典型基准选择功能,包括3单峰函数( ),3多峰函数( ),和6复杂函数( ),如表所示1。

为了测量算法的性能全面、客观的方式,该算法运行独立30倍在每个实验中,记录的最佳值,平均值(Avg)和标准差(Std)。请参考表2为特定的数据,和最好的结果已经以粗体显示。基准函数的收敛曲线如图所示3。

在三种类型的基准函数的测试,PM-CSCA取得绝对优势参与比较的算法。表现在复杂函数的优化尤为突出。6的所有指标复杂函数( )有了第一位。PM-CSCA显示良好的优化强度和可靠的稳定性。

4.2。PM-CSCA和资讯

然而,参数k重量和距离在很大程度上决定了分类效果。然而,这些方面通常取决于用户的主观决定,这为算法的性能带来了很大的不确定性。PM-CSCA提出本文可以用来优化资讯的相关参数获得最佳或近似最佳分类器的配置。

采用特征空间中的样本对应进化算法的解向量: ,具体形式见方程(14)。第一个维度表示参数K的资讯,可以设置为一个随机整数按要求在一定的范围内。 ,随机数字代表距离在解决方案。进化算法的指导下不断搜索和迭代目标函数,最后输出最优解或者近似最48- - - - - -51),也就是说,最合适的资讯的相关参数。

5。仿真结果和讨论

机器学习通常使用以下四个标准来评估模型的性能:真正的积极(TP),真阴性(TN),假阳性(FP),和假阴性(FN)。在入侵检测领域,它们的具体含义如下:TP是实际的攻击记录的数量分为攻击,TN是实际的数量正常记录分类为正常,FP是实际的数量正常记录分为攻击,和FN是实际攻击的数量记录分类为正常。他们也用来计算各种绩效评估指标,如检出率(博士),假警报率(远),准确率(ACC)。计算方法如方程所示(15)- (17)。 代表积极的概率预测样本与正常之间的真正的价值。是积极的概率预测样本中异常真实值。是用正确的预测样本的数量除以总数量的样本,表明预测结果的准确性。显然,和入侵检测应该是足够高的,应尽可能低。本文使用的是指标作为适应度函数 ,所示

为了验证入侵检测模型的性能,本文使用NSL-KDD和UNSW-NB15数据常用的入侵检测系统进行仿真实验。NSL-KDD中的每个样本数据集包含34个数值特性,7象征特性,和一维标签。有五种类型的样本包括正常数据和4类型的攻击数据。四种类型的拒绝服务(DoS)攻击,嗅探(探针),非法获取超级用户权限,普通用户(U2R)和非法访问远程机器(R2L)。NSL-KDD包括两个训练数据集(KDDTrain + KDDTrain + _20%)和一个测试数据集(KDDTest +)。训练数据集包含21个类型的攻击,和测试设置增加了17个新的攻击。

比NSL-KDD UNSW-NB15是最近的一个数据集,所以它更代表真正的网络流量。它包括100 GB的原始网络流量和总共2540044数据样本。这个数据集的特点不同于NSL-KDD和更符合当前网络协议模型。它包含10个类别,一个正常的类别和9(即攻击类别。,Fuzzers, Analysis, Backdoors, DoS, Exploits, Generic, Reconnaissance, Shellcode, and Worm).

之前的实现算法,数据预处理,包括数字、规范化和其他操作。五入侵检测模型的检测性能进行了测试,分别(资讯,支持向量机算法+资讯,SCA +资讯,和PM-CSCA +资讯。实验结果如表所示3和10个独立实验的平均结果记录下来。三种进化算法PSO的人口规模,SCA, PM-CSCA设置为30,迭代的数量是120。模型PM-CSCA +资讯取得最好的结果在ACC的三个指标,博士,和远(以粗体显示),这意味着该模型最能识别网络攻击行为和区分不同类型。

本文介绍了进化算法的入侵检测模型。图4显示了迭代过程的四个优化方案。发现的结果优化资讯由SCA总是比的算法;尽管CSCA在收敛速度有很大的优势,精度不稳定,有时会陷入局部最优;PM-CSCA有最好的优化影响资讯,在精度和速度都表现出强劲的竞争力。

混淆矩阵是用来评估的准确性NSL-KDD四个检测模型,如图5。水平轴代表预测价值,纵轴代表的真正价值,直观地显示了每个类别的误分类。可以看出PM-CSCA +资讯有最好的检测效果。

对于传感器网络入侵检测系统,减少误警率是一个挑战。我们进行了五个独立实验(E1∼E5)在两个数据集。图6直观地显示比较结果的误警率四个不同的检测算法。可以看出PM-CSCA +资讯的误警率是非常稳定在低水平。为方便显示博士之间的关系和远,接受者操作特征曲线(ROC)基于两个数据集,如图7。中华民国曲线对应于本文中提出的算法都是接近左上角的边界,所以这个预测模型的效果是最好的。

6。结论和未来的工作

入侵检测是一个迫切需要解决的关键问题,在实际应用的基础。服务范围的不断扩大和数据量的快速增长,网络攻击的威胁,后果WSN不容忽视。大多数现有的入侵检测系统只能处理特定类型的攻击,他们无能为力对未知攻击(52]。保护网络安全,它不可避免地增加了能耗和传输延迟。这些问题需要更加关注网络。本文提出一种轻量级和智能入侵检测模型基础上,综合考虑安全、节能、和实时。聪明的异常检测是通过联合使用资讯和SCA实现。进化算法的引入使得资讯分类器改变懒惰学习积极优化设置的参数,大大提高了检测精度。资讯和SCA算法减少计算和容易实现,满足轻量化模型的要求。为了更有效率,这篇文章提出了一个改进的版本的SCA: PM-CSCA。两种技术集成:契约机制极大地减少了算法所需的时间和空间,点策略保证了优化精度,这些都是基于基准函数的测试验证。PM-CSCA显示良好的优化能力基准函数测试。 In simulation experiments on public data set, the intrusion detection model proposed in this paper has also been proved to be feasible and effective. In addition, the intrusion detection system for WSN is deployed in the hybrid computing mode. Cloud computing, fog computing, and AI work together to provide a feasible and efficient solution for maintaining data security in WSN.

我们会做进一步的研究轻量级和智能传感器网络入侵检测模型,例如,如何使用非监督机器学习技术来处理不可预测的网络攻击(53]。此外,更多的进化计算的核心技术可以应用于解决大数据或高维问题中遇到的入侵检测(54,55]。

本手稿中使用以下缩写:

缩写

摘要::	无线传感器网络
资讯:	再算法
SCA:	正弦余弦算法
CSCA:	紧凑的SCA
下午:	多态基因突变
人工智能:	人工智能
id:	入侵检测系统
支持向量机:	支持向量机
PV:	扰动向量
PDF格式:	概率密度函数
提供:	累积分布函数
算法:	粒子群优化
WOA:	鲸鱼优化算法。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. h . Ghayvat s Mukhopadhyay, x Gui, n . Suryadevara”基础上,IOT-based智能家庭和他们的扩展智能建筑,”传感器,15卷,不。5,10350 - 10379年,2015页。视图:出版商的网站|谷歌学术搜索
2. Q.-W。柴,研究所。楚,js。锅et al .,“应用自适应和自我评估鱼类洄游优化无线传感器网络定位的三维地形,”信息隐藏和多媒体信号处理杂志》上,11卷,不。2、90 - 102年,2020页。视图:谷歌学术搜索
3. d . Ciuonzo p·s·罗西,p . k . Varshney”在无线传感器网络分布式检测通过广义score-tests乘法衰落,“IEEE物联网,卷1,p . 2021。视图:出版商的网站|谷歌学术搜索
4. y . j . Wang高,a . k . Sangaiah w . Liu和周宏儒。金,“节能路由算法与移动水槽对无线传感器网络的支持,“传感器,19卷,不。7,1494年,页2019。视图:出版商的网站|谷歌学术搜索
5. 比比Zarpelao, r . s . Miani c . t . Kawakani和s . c . De Alvarenga”物联网的入侵检测,调查”网络和计算机应用》杂志上卷。84年,25-37,2017页。视图:出版商的网站|谷歌学术搜索
6. y米尔斯基,t . Doitshman y Elovici, a . Shabtai”Kitsune: autoencoders在线网络入侵检测的合奏,”2018年,https://arxiv.org/abs/1802.09089。视图:谷歌学术搜索
7. Butuan, s . d .合并,r . Sankar”入侵检测系统在无线传感器网络的调查,“IEEE通信调查和教程,16卷,不。1,第282 - 266页,2013。视图:谷歌学术搜索
8. j·t·马f . Wang Cheng和陈x, y Yu”混合谱聚类和深层神经网络集成的入侵检测算法在传感器网络中,“传感器,16卷,不。10,1701年,页2016。视图:出版商的网站|谷歌学术搜索
9. r . Vinayakumar k . p .索曼,p . Poornachandran”“卷积神经网络申请网络入侵检测,”学报2017年国际会议上的进步计算、通信和信息(ICACCI)2017年12月,Udupi,印度,。视图:谷歌学术搜索
10. c .阴y朱,j·范,x,他“深学习方法使用复发性神经网络入侵检测,”IEEE访问5卷,第21961 - 21954页,2017年。视图:出版商的网站|谷歌学术搜索
11. k·A·p·科斯塔·l·A·m·佩雷拉r . y . m .中村c·r·佩雷拉j.p.爸爸,和A·泽维尔法尔考,“自然森林加速优化路径聚类方法及其应用在计算机网络入侵检测,”信息科学卷,294年,第108 - 95页,2015年。视图:出版商的网站|谷歌学术搜索
12. x y雪,w•贾赵et al .,“进化计算的入侵检测特征选择方法,”安全性和通信网络卷,2018篇文章ID 2492956, 10页,2018。视图:出版商的网站|谷歌学术搜索
13. Kannan c . Umarani和美国”,入侵检测系统使用混合组织生长算法对无线传感器网络来说,“对等网络和应用程序,13卷,不。3、752 - 761年,2019页。视图:出版商的网站|谷歌学术搜索
14. 梁z太阳,y, g . et al .,“无线传感器网络入侵检测模型改进V-detector算法,”IEEE传感器杂志,18卷,不。5,1971 - 1984年,2017页。视图:谷歌学术搜索
15. 答:A . Aburomman和m . b . Ibne Reaz”,小说SVM-kNN-PSO合奏的入侵检测系统的方法,”应用软计算,38卷,第372 - 360页,2016年。视图:出版商的网站|谷歌学术搜索
16. m·h·阿里·b·A·d·艾尔·穆罕默德,A·伊斯梅尔和m . f . Zolkipli”一种新的入侵检测系统快速学习网络和粒子群优化的基础上,“IEEE访问》第六卷,第20261 - 20255页,2018年。视图:出版商的网站|谷歌学术搜索
17. g . Bovenzi g .香d Ciuonzo et al .,“分层混合入侵检测方法在物联网情况下,“2020人。视图:谷歌学术搜索
18. p .南希,s . Muthurajkumar s Ganapathy s . v . n . Santhosh Kumar m . Selvi和k . Arputharaj”入侵检测使用动态特征选择和模糊时序决策树分类对无线传感器网络来说,“专业的沟通,14卷,不。5,888 - 895年,2020页。视图:出版商的网站|谷歌学术搜索
19. C.-M。陈,香,T.-Y。吴,K.-H。王”,一位匿名的相互认证密钥协商方案可穿戴传感器在无线区域网络,”应用科学,8卷,不。7,1074年,页2018。视图:出版商的网站|谷歌学术搜索
20. T.-Y。吴,C.-M。陈,x的太阳,刘s和j . C.-W。林,”对策为云环境SQL注入攻击,”无线个人通信,卷96,不。4、5279 - 5293年,2017页。视图:出版商的网站|谷歌学术搜索
21. f . m . j . n . Chen邹,t . y .吴et al .,“一种新的无线传感器网络基于证书的聚合签名方案,“j . Inf。隐藏多媒体信号处理,9卷,不。5,1264 - 1280年,2018页。视图:谷歌学术搜索
22. d s Vijayakumar和美国Ganapathy”,机器学习的方法来对抗无线入侵检测系统误报,“计算机与信息科学,11卷,不。3、67 - 81年,2018页。视图:出版商的网站|谷歌学术搜索
23. b . Riyaz和美国Ganapathy”,深入学习方法有效的入侵检测的无线网络使用CNN,“软计算,24卷,不。22日,第17278 - 17265页,2020年。视图:出版商的网站|谷歌学术搜索
24. r . Vijayanand d Devaraj, b . Kannapiran“无线网状网络的入侵检测系统使用多个支持向量机分类器与遗传算法特征选择,”电脑与安全卷,77年,第314 - 304页,2018年。视图:出版商的网站|谷歌学术搜索
25. m . Safaldin m . Otair, l . Abualigah“改进的二进制灰狼优化器和支持向量机的入侵检测系统在无线传感器网络中,“环境智能和人性化计算杂志》上卷,13队,2020页。视图:出版商的网站|谷歌学术搜索
26. z,小南南,w和y Jing et al .,“朴素贝叶斯轴承故障诊断基于增强独立的数据,”传感器,18卷,不。2,p。463年,2018年。视图:谷歌学术搜索
27. s . Mirjalili“SCA:正弦余弦算法求解优化问题,“以知识为基础的系统卷,96年,第133 - 120页,2016年。视图:出版商的网站|谷歌学术搜索
28. 古普塔,k .深,s . Mirjalili和j·h·金”修改正弦余弦算法与小说过渡参数和全局优化的变异算子,”专家系统与应用程序文章ID 113395卷,154年,2020年。视图:出版商的网站|谷歌学术搜索
29. a . Bhadoria s Marwaha, v . k . Kamboj“最佳有力的一代调度和单位承诺的热能系统使用正弦余弦算法,”神经计算和应用,32卷,不。1、外墙面,2020页。视图:出版商的网站|谷歌学术搜索
30. y l .乔js。锅,s . h .太阳,“改进的K最近邻分类算法,”学报2004年IEEE亚太会议电路和系统2004年12月,台南,台湾,。视图:谷歌学术搜索
31. x y . Chen, w .风扇et al .,“快密度峰值大规模数据的聚类根据资讯,“以知识为基础的系统文章ID 104824卷,187年,2020年。视图:出版商的网站|谷歌学术搜索
32. 张,d . Cheng z邓,m .宗庆后和x邓小平,“小说k NN算法与数据驱动的k参数计算,”模式识别的字母卷。109年,44-54,2018页。视图:出版商的网站|谷歌学术搜索
33. m . s .张x Li宗庆后,x朱et al .,“有效的资讯分类与不同数量的最近的邻居,”IEEE神经网络和学习系统卷,29号5,1774 - 1785年,2017页。视图:谷歌学术搜索
34. 邓z、x朱和d,“有效的资讯分类算法对于大数据,”Neurocomputing卷,195年,第148 - 143页,2016年。视图:出版商的网站|谷歌学术搜索
35. 梁h, s, j .倪et al .,“工业物联网安全和高效的资讯分类,“IEEE物联网,7卷,不。11日,2020年。视图:出版商的网站|谷歌学术搜索
36. x k . Wang,问:熊et al .,“学习提高WLAN室内定位精度基于DBSCAN-KRF算法从RSS指纹数据,”IEEE访问7卷,第72315 - 72308页,2019年。视图:出版商的网站|谷歌学术搜索
37. b . k . Samanthula y Elmehdwi, w .江”再分类语义安全加密的关系数据,”IEEE工程知识和数据,27卷,不。5,1261 - 1273年,2014页。视图:谷歌学术搜索
38. 孟z . y . js。锅,l . p .香港“参数自适应学习机制(PALM)改进的微分进化,”基于知识的系统卷,141年,第112 - 92页,2018年。视图:出版商的网站|谷歌学术搜索
39. g . r . Harik f . g . Lobo d·e·戈德堡,“紧凑遗传算法”,IEEE进化计算,3卷,不。4、287 - 297年,1999页。视图:出版商的网站|谷歌学术搜索
40. e . Mininno f·库比蒂诺,d . Naso”实值遗传算法紧凑为嵌入式单片机优化”IEEE进化计算,12卷,不。2、203 - 219年,2008页。视图:出版商的网站|谷歌学术搜索
41. e . Mininno f .内里f·库比蒂诺et al .,“紧凑的微分进化,”IEEE进化计算,15卷,不。1,32-54,2010页。视图:谷歌学术搜索
42. f .内里、大肠Mininno和g . Iacca“粒子群优化紧凑,”信息科学卷,239年,第121 - 96页,2013年。视图:出版商的网站|谷歌学术搜索
43. c·h·陈,f的歌,f·j·黄et al .,“基于神经网络的概率密度函数发生器,”自然史答:统计力学及其应用文章ID 123344卷,541年,2020年。视图:出版商的网站|谷歌学术搜索
44. x雪和j·f·陈,“使用紧凑的进化禁忌搜索算法匹配传感器本体,“群与进化计算卷,48岁,25 - 30,2019页。视图:出版商的网站|谷歌学术搜索
45. x雪和j·f·陈”,通过紧凑co-firefly算法优化传感器本体对齐,”传感器,20卷,不。7日,页1 - 15,2020。视图:出版商的网站|谷歌学术搜索
46. x杨和s . Deb,“通过征收航班,布谷鸟搜索”学报2009年世界国会对自然和生物启发计算(NaBIC)2009年12月,印度哥印拜陀。视图:谷歌学术搜索
47. p c的歌,js。锅,研究所。楚,”并行紧凑布谷鸟搜索算法的三维路径规划,“应用软计算文章ID 106443卷,94年,2020年。视图:出版商的网站|谷歌学术搜索
48. w·h . Wang Wang z崔et al .,“新动态萤火虫算法估算水资源的需求,”信息科学卷,438年,第106 - 95页,2018年。视图:出版商的网站|谷歌学术搜索
49. x Wang js。锅,s . c .楚“平行multi-verse优化多级图像分割的应用程序,“IEEE访问,8卷,第32030 - 32018页,2020年。视图:出版商的网站|谷歌学术搜索
50. js。锅,x x太阳,研究所。楚et al .,“数字水印改进短信申请二维码,”人工智能技术的工程应用文章ID 104049卷,97年,2021年。视图:出版商的网站|谷歌学术搜索
51. t . b .江和研究所。楚,“平行带电系统能源管理搜索算法在无线传感器网络中,”学报》2020年第2工业人工智能国际会议(IAI)2020年10月,沈阳,中国,。视图:谷歌学术搜索
52. o . a . Osanaiye a . s .阿尔法,g . p . Hancke“拒绝服务国防资源可用性的无线传感器网络,”IEEE访问》第六卷,第7004 - 6975页,2018年。视图:出版商的网站|谷歌学术搜索
53. 瞿h . z秋x唐et al .,“将无监督学习纳入入侵检测的无线传感器网络结构co-evolvability,”应用软计算卷,71年,第951 - 939页,2018年。视图:出版商的网站|谷歌学术搜索
54. s . f .秦,c . l .太阳,g . c . Zhang et al .,“修改粒子群优化基于分解为许多客观优化问题不同的理想点,”复杂和智能系统》第六卷,没有。2、263 - 274年,2020页。视图:出版商的网站|谷歌学术搜索
55. m·g . h . Wang Liang c . l .太阳et al。”“Multiple-strategy学习粒子群优化大规模优化问题,“复杂和智能系统,23卷,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Jeng-Shyang锅等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。