基于边缘计算和深度学习的车联网安全多层网络
技术运用:Edge+LSTM+多层网络
目标:
使用无监督深度学习技术如何有助于识别可疑车辆行为,确保体系结构的安全。用RNN模型是用于捕获序列信息,文章使用堆叠LSTM
问题:云计算本身将不足以支持物联网驱动的未来的大规模应用:
有限的带宽、延迟限制和连接问题。
方法:使用多层网络解决
网络分层:
云是顶层,在这个层次结构中,它具有最高的处理能力和数据存储能力。它被用来做全局决策和数据仓库。因此,它是在应用程序中执行计算密集型任务的最佳选择。
Edge更接近最终用户,提供低延迟的通信和及时的数据处理。
多层架构通过物联网网络中所有节点之间的主动通信,将不同层次的计算和存储资源组合在一起。
1:顶部的云服务器。
2:区域边缘服务器。
3:与自主驾驶室和区域边缘服务器交互的RSU网格。蜂窝基站将用户与区域边缘服务器连接起来
4:自动驾驶出租车和物联网终端。
目标:安全
假设:网络是安全的,不受内部威胁,对网络的任何风险都是由外部设备(如自动驾驶出租车和用户设备)构成的。
用户侧:IDS保护边缘服务器免受DDoS、DoS、僵尸网络、Brute-Force等网络攻击
车辆端:利用深度学习(DL)技术,使网络的车辆端更加安全可靠。使用基于DL的异常检测器发现恶意和故障的车辆标记。
高效:
可伸缩性:多层网络将区域隔离为更小的区域,从而实现更快的数据处理和低延迟。
基础设施共享:在我们网络的车辆侧不需要进行V2V通信。这允许来自不同公司的痂在同一个网络上
智能:
自动化:网络以自动方式接收用户请求和分配出租车,无需任何人工干预。
状态感知:在边缘服务器上不断收集数据,这些数据定义了网络的状态。此外,网络的任何变化都可以报告给有关当局
本文的lstm单元σ
堆叠LSTM网络