Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

A Novel Approach for 1D-CNN Hyperparameter Optimization in IoT Attack Detection using Particle Swarm Optimization

DOI: 10.54654/isj.v1i24.1097
Từ khóaPhát hiện tấn công IoTmạng nơ-ron tích chập một chiềutối ưu bầy đàntối ưu hóa siêu tham sốtối ưu hóa đa mục tiêu

Tóm tắt

Nghiên cứu này đề xuất một phương pháp tối ưu hóa siêu tham số cho mạng nơ-ron tích chập một chiều (1D-CNN) bằng thuật toán tối ưu bầy đàn (PSO), dựa trên cách tiếp cận đa mục tiêu Pareto, nhằm nâng cao hiệu quả của các hệ thống phát hiện tấn công IoT. Cụ thể, nghiên cứu đã cải tiến thuật toán PSO bằng việc đề xuất một tiêu chí dừng tự động cho các vòng lặp tối ưu hóa và đề xuất cơ chế dừng sớm, cùng với việc tối ưu ngưỡng dừng sớm cho quá trình huấn luyện mô hình 1D-CNN, giúp giảm chi phí tính toán và phù hợp với điều kiện tài nguyên phần cứng hạn chế của IoT. Ngoài ra, một hàm tối ưu đa mục tiêu đã được xây dựng, kết hợp giữa độ chính xác trên tập dữ liệu xác thực và thời gian thực thi của mô hình 1D-CNN, đảm bảo cân bằng giữa hiệu suất phát hiện và hiệu quả tài nguyên. Phương pháp đề xuất được đánh giá trên bộ dữ liệu Edge-IIoTset. Kết quả thực nghiệm cho thấy mô hình đề xuất giúp giảm thời gian thực thi từ 48-63% so với mô hình gốc mà vẫn duy trì độ chính xác cao (trên 94%). Nghiên cứu không chỉ cung cấp một giải pháp thực tiễn cho vấn đề bảo mật thiết bị IoT mà còn mở ra hướng tiếp cận mới trong việc tích hợp các thuật toán tiến hóa vào các hệ thống học sâu tự động và giới thiệu một phương pháp linh hoạt cho các thiết bị có ràng buộc về phần cứng.

Lượt tải theo tháng

0244707/2508/2509/2510/2511/2512/2501/2602/2603/2604/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Lê Thị Hồng Vân, Nguyễn Quang Minh, Phạm Văn Hưởng, Nguyễn Hiếu Minh (2025). A Novel Approach for 1D-CNN Hyperparameter Optimization in IoT Attack Detection using Particle Swarm Optimization. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 1(24), 53-71. https://doi.org/10.54654/isj.v1i24.1097

Tài liệu tham khảo

  1. 1.. L. S. Vailshery, "Number of IoT connections worldwide 2022-2033" (2025), [Accessed: 01/03/2025], https://www.statista.com/statistics/1183457/iot-connected-devices-worldwide/.
  2. 2.. L. Xiao, X. Wan, X. Lu, Y. Zhang, and D. Wu, "IoT security techniques based on machine learning: How do IoT devices use AI to enhance security?", IEEE Signal Processing Magazine, vol. 35, no. 5, pp. 41–49, 2018, doi: 10.1109/MSP.2018.2825478.
  3. 3.. M. K. Hooshmand and M. D. Huchaiah, "Network Intrusion Detection with 1D Convolutional Neural Networks", Digital Technologies Research and Applications, vol. 1, no. 2, pp. 66–75, 2022, doi: 10.54963/dtra.v1i2.64.
  4. 4.. L. T. H. Van, P. V. Huong, and N. H. Minh, "The Multi-objective Optimization of the Convolutional Neural Network for the Problem of IoT System Attack Detection", in Modelling, Computation and Optimization in Information Systems and Management Sciences (MCO 2021), Lecture Notes in Networks and Systems, vol. 363, Springer, 2021, pp. 350–360.
  5. 5.. L. T. H. Van, L. D. Thuan, P. V. Huong, and N. H. Minh, "A New Method to Improve the CNN Configuration for IoT Attack Detection Problem based on the Genetic Algorithm and Multi-Objective Approach", in 2024 1st International Conference On Cryptography And Information Security (VCRIS), Hanoi, Vietnam, 2024, pp. 1-9.
  6. 6.. D. Kilichev and W. Kim, "Hyperparameter Optimization for 1D-CNN-Based Network Intrusion Detection Using GA and PSO", Mathematics, vol. 11, no. 17, 2023, doi: 10.3390/math11173724.
  7. 7.. A. El-Ghamry, A. Darwish and A. E. Hassanien, "An optimized CNN-based intrusion detection system for reducing risks in smart farming", Internet of Things, vol. 22, 2023, doi: 10.1016/j.iot.2023.100709.
  8. 8.. X. Kan, Y. Fan, Z. Fang, L. Cao, N. N. Xiong, D. Yang and X. Li, "A novel IoT network intrusion detection approach based on Adaptive Particle Swarm Optimization Convolutional Neural Network", Information Sciences, vol. 568, pp. 147-162, 2021, doi: 10.1016/j.ins.2021.03.060.
  9. 9.. A. Bahaa, A. Sayed, L. Elfangary, and H. Fahmy, "A novel hybrid optimization enabled robust CNN algorithm for an IoT network intrusion detection approach", PLOS ONE, vol. 17, no. 12, 2022, doi: 10.1371/journal.pone.0278493.
  10. 10.. L. Yang and A. Shami, "A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles", in ICC 2022 - IEEE International Conference on Communications, Seoul, Republic of Korea, 2022, pp. 2774–2779.
  11. 11.. K. Aguerchi, Y. Jabrane, M. Habba, and A. H. El Hassani, "A CNN hyperparameters optimization based on particle swarm optimization for mammography breast cancer classification", Journal of Imaging, vol. 10, no. 2, 2024, doi: 10.3390/jimaging10020030.
  12. 12.. M. A. Ferrag, O. Friha, D. Hamouda, L. Maglaras and H. Janicke, "Edge-IIoTset: A New Comprehensive Realistic Cyber Security Dataset of IoT and IIoT Applications for Centralized and Federated Learning", IEEE Access, vol. 10, pp. 40281-40306, 2022, doi: 10.1109/ACCESS.2022.3165809.
  13. 13.. D. Kilichev, D. Turimov and W. Kim, "Next–Generation Intrusion Detection for IoT EVCS: Integrating CNN, LSTM, and GRU Models", Mathematics, vol. 12, no. 4, 2024, doi: 10.3390/math12040571.
  14. 14.. P. V. Huong, L. T. H. Van, và P. S. Nguyen, “Detecting Web Attacks Based on Clustering Algorithm and Multi‑branch CNN,” Journal of Science and Technology on Information Security, vol. 2, no. 12, pp. 31–37, Jul. 2021, doi: 10.54654/isj.v2i12.120.

Bài viết liên quan