LNNIDS：一种基于混合液体神经网络的入侵检测系统（IDS），能够检测已知和未知的物联网（IoT）攻击

《ACM Transactions on Internet Technology》：LNNIDS: A Hybrid Liquid Neural Network based IDS for Known and Unknown IoT Attacks

物联网网络安全威胁检测研究提出LNNIDS方法，融合脉冲编码与混合液态神经网络，结合动态图聚类技术实现自适应攻击检测，在公开数据集上达到99.50%准确率，优于七种SOTA方法。

　　

摘要

物联网（IoT）网络的迅速扩展带来了新的网络安全风险，这主要是由于其异构性、动态性和资源受限的特性。入侵检测系统（IDS）通常用于检测此类环境中的网络威胁，但传统的IDS以及许多基于机器学习（ML）或深度学习（DL）的方法都面临诸多挑战。这些挑战包括对未知攻击的检测能力较弱、依赖大型数据集、采用静态特征学习方式，以及无法在不频繁重新训练的情况下适应不断变化的流量模式。此外，虽然基于图的IDS能够捕捉到网络流量的关系特征，但其高昂的计算成本和难以适应动态变化的IoT网络的特点限制了其可扩展性。为了解决这些问题，我们提出了一种名为LNNIDS的新颖IDS方法，该方法将尖峰编码技术与混合液态神经网络（HLLN）相结合，以捕捉IoT攻击网络流量的时间演变过程。为了进一步提高检测精度，我们引入了DYNGraph，这是一种基于动态图的方法，能够执行从到1的模式聚类，从而实现可扩展的攻击分类。这使得LNNIDS能够动态地分组相关流量行为，并在无需重新训练的情况下适应新的或未知的攻击。我们在两个公开的IoT数据集上对LNNIDS进行了评估，该方法在仅使用20%的训练数据的情况下实现了99.50%的检测准确率，并保持了稳定的性能。此外，我们将LNNIDS与最近七种最先进的方法进行了比较，结果发现LNNIDS在检测已知和未知IoT攻击方面的准确率分别提高了13.45%和11.99%。