【成果简介】

本项目成果依托于"多维智能感知与控制江西省重点实验室” ，在国 家自然科学基金以及江西省自然科学基金支持下，对物联网、CPS 、移 动互联网等入侵检测技术进行了深入研究，取得了一系列原创性科研成 果。首次提出并设计了基于自监督学习和自知识蒸馏的物联网入侵检测 方法，显著提升了物联网环境下的入侵检测速度，并保持了较高的检测 准确率。设计了一种全新的元图神经网络，并将其应用于入侵检测问题。 通过对样本数据特征内部隐藏的图结构关系进行深入的挖掘与利用。针 对元图神经网络存在的图信息传播过程中父代信息湮灭现象提出反信息 湮灭策略, 并设计了注意力损失函数, 简化神经网络中实现注意力机制的 运算过程，有效提升了检测效率。课题组还设计了一种名为 DL-BiLSTM  轻量级物联网入侵检测模型，该模型能够对复杂网络信息进行非线性和 双向的长距离特征提取。这种能力使系统能够捕捉与网络攻击相关的复 杂模式和行为，从而提高检测性能。为了解决物联网设备的资源约束， 该模型利用增量主成分分析（IPCA）算法进行特征降维。此外，采用动 态量化来修剪该模型，从而减少物联网设备的计算负担，同时保持准确 的检测能力。

【技术指标】

本成果具有模型参数少、训练时间短、能够部署于资源受限设备， 物联网数据集测试结果显示，其 Accuracy 达到 0.9945 ，Precision 达到 0.9945 ，Recall 达到 0.9945 ，F1-Score 达到 0.9944 ，参数量为 788 ，模型 大小仅为 3.1 KB ，该技术已达到国际先进水平 。

【技术成熟度】 正在研发

【应用情况】

目前有三项发明专利进行了转让。一种入侵检测方法、系统、设备 及可读存储介质.专利号：ZL202011264133.1 已转让至京创联合（北京） 知识产权服务有限责任公司，一种基于 Taylor 神经网络的入侵检测方法 及系统.专利号：ZL202110280565.X 以及一种入侵检测方法、系统、设备 及可读存储介质.  专利号：ZL202011625202.7 两项发明专利转让至江西 省海博信息科技有限公司。