本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：近年来，深度学习技术在提升物联网入侵侦测能力方面成效显著。然而，物联网设备运算能力有限、储存空间不足，这给部署资源密集型的入侵检测系统带来了挑战。提出了一款轻量级模型DL-BiLSTM，该模型融合了深度神经网络与双向长短期记忆网络，能够从复杂的网络数据中提取非线性且具备双向长距离依赖的特征。为解决物联网设备资源有限的问题，DL-BiLSTM 采用增量主成分分析（IPCA）算法降低特征维度，为资源受限设备提供高效入侵侦测方案。
关键词：物联网入侵侦测；深度学习；深度神经网络；双向长短期记忆网络
doi：10.12045/j.issn.1007-3043.2026.05.016
1 概述
1.1 研究背景与动机
随着科技的飞速发展，物联网（IoT）技术以前所未有的规模实现了各类设备的互联互通，其应用已渗透到健康照护、工业自动化、智慧城市、智慧物流等众多领域，深刻改变了人类的生活与生产方式。据统计，2020年联网设备数量为117亿，2025年增至310亿，预计2027 年将突破410 亿。然而，物联网的开放性与设备资源受限特性，使其面临严峻的网络安全挑战。多数物联网设备因设计初期缺乏安全考量，存在运算能力有限、内存不足、安全漏洞频发等问题，易成为黑客攻击目标，进而导致僵尸网络、DDoS攻击、数据窃取等安全事件频发[1-2]。有报告显示，约半数使用物联网设备的企业曾受安全漏洞的影响。因此，构建适应物联网环境的稳定、高效入侵侦测系统（IDS），已成为当前亟待解决的关键课题。
1.2 物联网发展趋势
当前，物联网技术已广泛应用于智慧家居、工业物联网（IIoT）、车联网等领域，推动了各行业的数字化转型。在技术层面上，传感器精度、通信技术（如5G）、云计算与大数据处理能力的提升，为物联网的大规模应用提供了支撑[3]。未来，物联网的发展呈现三大趋势：一是与人工智能（AI）深度融合，实现数据的智能分析与自主决策，例如智慧安防中的异常行为识别；二是边缘计算技术的普及，减少数据传输延迟，提升系统响应速度；三是安全与隐私保护将成为核心研究方向。如何在保障设备与数据安全的同时推动技术应用，是行业发展的重要命题。
1.3 研究目的
本研究旨在提出一种高效能、低复杂度的混合深度学习轻量化神经网络模型，并将其应用于物联网入侵侦测，以解决物联网设备资源受限与安全漏洞并存问题。通过优化模型结构、数据处理技术及参数策略，提升该模型对复杂恶意活动的识别能力，降低安全风险。入侵侦测系统（IDS）是物联网安全的核心防线，由数据搜集、数据分析与响应元件构成[4]。传统IDS 存在局限性：误用侦测技术难以应对未知攻击，异常侦测误报率较高。混合式IDS 虽融合了两者优势，但深度学习模型的高复杂度使其难以适配资源受限的物联网设备[5]。为此，本研究以BiLSTM 为基础，整合DNN 以强化非线性特征提取能力，采用动态量化技术降低模型复杂度，结合IPCA 算法进行特征降维，并通过Optuna框架优化超参数。
本研究的模型和算法体现为以下几个方面。
a）新型入侵侦测模型。提出一种DNN-BiLSTM混合模型，该模型融合了DNN 的非线性特征提取能力与BiLSTM的长距离依赖处理优势。
b）轻量化方案。通过动态量化技术压缩模型，在保持模型性能的同时降低复杂度。
c）高效特征降维。采用IPCA 算法适配物联网实时监控场景，提升系统适应性。
d）超参数优化。引入Optuna 框架自动寻优超参数，确保模型性能最优。
