引言
物联网（Internet of Things, IoT）的快速发展正深刻地改变着人们的生活方式和社会的运行模式。目前，物联网应用已经覆盖了智能家居、医疗健康、工业控制、智慧农业等各个领域。然而，物联网设备的广泛部署和互联互通也带来了严重的安全隐患。由于物联网设备资源受限、异构性强、通信协议多样等原因，以往的网络安全防护手段难以适应这一复杂的环境，导致物联网系统频繁成为网络攻击的目标，严重威胁着个人隐私、企业利益及国家安全［1-2］。
入侵检测系统（Intrusion Detection System, IDS）凭借其能够实时监控网络流量，检测并响应异常行为，被广泛应用于物联网安全领域中。早期的IDS主要依赖于特征匹配［3］和规则定义［4］，然而随着网络规模的大幅扩张以及网络处理节点数量的激增，重要数据在不同的网络节点之间生成和共享，同时旧攻击发生突变或产生大量新型攻击，数据传输量的剧增和攻击方式的多变使其检测效果满足不了当前需求。
近年来，随着深度学习在众多领域的广泛应用，研究人员探索了多种深度学习模型，以应对物联网环境中复杂多变的安全威胁。在物联网入侵检测中，深度学习可以从大量的网络流量和设备行为中挖掘隐蔽的模式，自动学习攻击特征，减少对人工规则的依赖。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006574
作者信息：
周品希，沈岳，李伟
（湖南农业大学信息与智能科学技术学院，湖南长沙410000）
