A threat detection scheme for financial big data in internet of things
Notice bibliographique
Résumé
With the deep application of Internet of Things (IoT) technology in the financial field, the transmission, storage and processing of massive financial data face complex and diverse security threats. This paper proposes a threat detection scheme, CNN - BiLSTM - GAM, which is based on the vulnerabilities of IoT devices in financial big data scenarios and deep learning algorithms. By analyzing the traffic data and behavioral patterns generated by IoT devices during data collection and other processes, it extracts key features and identifies security threats such as malicious attacks. CNN-BiLSTM-GAM includes Convolutional Neural Network (CNN), Bidirectional long short-term memory (BiLSTM) and global attention module (GAM), which accurately extract spatial features of input financial data through one-dimensional convolutional neural network (1D-CNN). At the same time, BiLSTM layer captures the context dependency relationship in time series data through forward and backward networks. It optimizes the extraction of temporal features, finally assigns weights to input features through the global attention obtained by concatenating channel attention and spatial attention. The experimental results show that CNN-BiLSTM-GAM performs well with 96.81% of ACC and 96.79% of F1 on NSL-KDD, 96.98% of ACC and 96.46% of F1 on CICIDS2017, demonstrating better spatiotemporal feature extraction capabilities and providing technical support for ensuring the security of financial big data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».