融合改进TCN与DRSN的IoT入侵检测模型.pdfVIP

小型微型计算机系统2025年2月第2期

DOI:10.20009/ki,21-1106/TP.2023-0449

JournalofChineseComputerSystemsVol.46No.22025

融合改进TCN与DRSN的IoT入侵检测模型

赵建，姜伟

（哈尔滨师范大学计算机科学与信息工程学院，哈尔滨150025）

E-mail:zzj123666@163.com

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

中图分类号：TP393文献标识码：A文章编号：1000-1220(2025)02-0474-08

IoTIntrusionDetectionModelIntegratingImprovedTCNandDRSN

ZHAOJian,JIANGWei

(SchoolofComputerScienceandInformationEngineering,HarbinNormalUniversity,Harbin150025,China)

Abstract:IntrusiondetectionsystemshavegraduallybecomeanimportantmeansofprotectionforIoTsecurity.However,thesample

dataofexistingIoTintrusiondetectionmodelshaveproblemssuchascategoryimbalanceandinsufficientfeatureextraction,whichre-

sultsinlowrecognitionratesandrelativelylowrecognitionratesforsmallcategoryattacks.Therefore,thispaperproposesanIoTintru-

siondetectionmodelthatintegratesanimprovedtemporalconvolutionalnetworkandadeepresidualshrinkagenetwork.First,dilated

causalconvolutionandone-dimensionalconvolutionareusedtofullyextractthespatiotemporalfeaturesofthedata,formingadeep-

levelnetworkstructure;thenintroduceasoftthresholdofself-attention,whichcanautomaticallysetthethresholdwithoutexpertexpe-

rienceandeliminateredundantfeatures;finally,usethefocuslossfunctiontoenhancetherecognitionrateofminorityclasses.Theex-

perimentisinTON-IoTTheoverallaccuracy