Knoten am Netzwerkrand sind entscheidend für die Erkennung einer Vielzahl von Cyberangriffen auf Internet-of-Things-(IoT)-Endgeräte und werden zu einem integralen Bestandteil einer mehr Milliarden Dollar umfassenden Industrie. Die ressourcenbedingten Einschränkungen in dieser neuartigen Netzwerkinfrastruktur-Ebene behindern die Implementierung bestehender Deep-Learning-basierter Netzwerk-Intrusion-Detection-Systeme (DLM). Um dieses Problem zu lösen, entwickeln wir ein neuartiges, leichtgewichtiges, schnelles und präzises Modell namens „Edge-Detect“, das Distributed-Denial-of-Service-(DDoS)-Angriffe auf Edge-Knoten mithilfe von DLM-Techniken erkennt. Unser Modell arbeitet innerhalb strenger Ressourcenbeschränkungen – insbesondere geringer Energieverbrauch, begrenzter Speicherkapazität und eingeschränkter Verarbeitungsleistung – und liefert dennoch präzise Ergebnisse mit einer bedeutenden Geschwindigkeit. Es basiert auf einer Architektur aus Schichten von Long Short-Term Memory (LSTM)- oder Gated Recurrent Unit (GRU)-basierten Zellen, die sich durch ihre hervorragende Fähigkeit zur Repräsentation sequenzieller Daten auszeichnen. Wir haben eine praktikable Data-Science-Pipeline mit rekurrenten neuronalen Netzen entworfen, die aus dem Verhalten von Netzwerkpaketen lernt, um zu bestimmen, ob dieses Verhalten normal oder angreifbar ist. Die Modellbewertung erfolgte durch die Bereitstellung auf einem echten Edge-Knoten, repräsentiert durch ein Raspberry-Pi-Gerät, unter Verwendung des aktuellen Cybersecurity-Datensatzes UNSW2015. Unsere Ergebnisse zeigen, dass das Modell im Vergleich zu herkömmlichen DLM-Techniken eine hohe Testgenauigkeit von 99 % beibehält, gleichzeitig aber deutlich geringere Ressourcen in Bezug auf CPU und Speicher nutzt. Zudem ist es fast dreimal kleiner als der aktuell führende Ansatz und benötigt dennoch eine signifikant kürzere Testzeit.