Edge-Detect：基于深度神经网络的面向边缘的网络入侵检测

边缘节点在应对物联网（IoT）终端面临的各类网络攻击中起着至关重要的作用，未来有望成为价值数十亿美元产业的重要组成部分。然而，这一新型网络基础设施层级面临资源受限的挑战，导致现有的基于深度学习模型（Deep Learning Models, DLM）的网络入侵检测系统（Network Intrusion Detection System, NIDS）难以部署。为解决这一问题，本文提出了一种新型轻量、高效且精准的“Edge-Detect”模型，该模型利用深度学习技术实现对边缘节点上分布式拒绝服务（Distributed Denial of Service, DDoS）攻击的检测。该模型专为资源受限环境设计，可在低功耗、有限内存和处理能力条件下运行，同时保持高精度与可接受的检测速度。其核心架构由基于长短期记忆网络（Long Short-Term Memory, LSTM）或门控循环单元（Gated Recurrent Unit, GRU）的多层神经元单元构成，这两类结构在处理序列数据方面具有卓越的表征能力。我们构建了一套实用的数据科学流水线，采用循环神经网络（Recurrent Neural Network, RNN）对网络数据包行为进行学习，从而有效识别流量是否正常或具有攻击特征。模型的评估基于在实际边缘设备（树莓派 Raspberry Pi）上的部署，并使用当前主流网络安全数据集（UNSW-NB15）进行测试。实验结果表明，相较于传统深度学习方法，本模型在显著降低CPU与内存资源占用的前提下，仍能保持高达99%的测试准确率。此外，该模型体积仅约为当前先进模型的三分之一，且测试耗时大幅缩短，效率提升近三倍。这一成果为在资源受限的边缘计算环境中实现高效、实时的网络安全防护提供了切实可行的技术方案。