The Internet of Things (IoT) contains a large amount of data, which attracts various types of network attacks that lead to privacy leaks. With the upgrading of network attacks and the increase in network security data, traditional machine learning methods are no longer suitable for network threat detection. At the same time, data analysis techniques and deep learning algorithms have developed rapidly and have been successfully applied to a variety of tasks for privacy protection. Convolutional neural networks (CNNs) are typical deep learning models that can learn and reconstruct features accurately and efficiently. Therefore, in this paper, we propose a group CNN models that is based on feature correlations to learn features and reconstruct security data. First, feature correlation coefficients are computed to measure the relationships among the features. Then, we sort the correlation coefficients in descending order and group the data by columns. Second, a 1D group CNN model with multiple 1D convolution kernels and 1D pooling filters is built to address the grouped data for feature learning and reconstruction. Third, the reconstructed features are input to shadow machine learning models for network threat prediction. The experimental results show that features reconstructed by the group CNN can reduce the dimensions and achieve the best performance compared to the other present dimension reduction algorithms. At the same time, the group CNN can decrease the floating point of operations (FLOP), parameters, and running time compared to the basic 1D CNN.

中文翻译：

---

基于Group CNN的网络威胁检测进行隐私保护

物联网（IoT）包含大量数据，会吸引各种类型的网络攻击，导致隐私泄露。随着网络攻击的升级和网络安全数据的增加，传统的机器学习方法已不再适用于网络威胁检测。与此同时，数据分析技术和深度学习算法发展迅速，并已成功应用于各种隐私保护任务。卷积神经网络（CNN）是典型的深度学习模型，可以准确高效地学习和重构特征。因此，在本文中，我们提出了一组基于特征相关性的 CNN 模型来学习特征和重建安全数据。第一的，计算特征相关系数来衡量特征之间的关系。然后，我们按降序对相关系数进行排序，并按列对数据进行分组。其次，构建具有多个一维卷积核和一维池化滤波器的一维组 CNN 模型来处理分组数据以进行特征学习和重建。第三，重建的特征被输入到用于网络威胁预测的影子机器学习模型中。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。我们按降序对相关系数进行排序，并按列对数据进行分组。其次，构建具有多个一维卷积核和一维池化滤波器的一维组 CNN 模型来处理分组数据以进行特征学习和重建。第三，重建的特征被输入到用于网络威胁预测的影子机器学习模型中。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。我们按降序对相关系数进行排序，并按列对数据进行分组。其次，构建具有多个一维卷积核和一维池化滤波器的一维组 CNN 模型来处理分组数据以进行特征学习和重建。第三，重建的特征被输入到用于网络威胁预测的影子机器学习模型中。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。构建了具有多个一维卷积核和一维池化滤波器的一维组 CNN 模型来处理分组数据以进行特征学习和重建。第三，重建的特征被输入到用于网络威胁预测的影子机器学习模型中。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。构建了具有多个一维卷积核和一维池化滤波器的一维组 CNN 模型来处理分组数据以进行特征学习和重建。第三，重建的特征被输入到用于网络威胁预测的影子机器学习模型中。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。实验结果表明，与现有的其他降维算法相比，组 CNN 重构的特征可以降维并达到最佳性能。同时，与基本的一维 CNN 相比，组 CNN 可以减少浮点运算 (FLOP)、参数和运行时间。